王金超

(上海大学 通信与信息工程学院， 上海 200444)

0 引言

随着智能设备的发展，人机交互是必不可少的，语音质量则是提高产品质量与体验的重要组成。语音增强是提升所有语音处理质量的基础，同时也是一大难点。传统信号处理方法没法应对自然界复杂多变的噪声，为了应对不同的情景算法中也有许多需要调整的细节，需要大量的实验与人力，有的方法可能还会引入音乐噪声降低语音质量[1]。

神经网络模型非常适合处理非线性拟合问题[2]。实际上语音增强可以看作是含噪语音到纯净语音的一种变换，完全可以利用神经网络强大的拟合能力对其进行处理。

1 特征提取

1.1 数据预处理

语音信号包括幅度与相位两部分。信号相位通常会被归一化于-π到π之间，相位谱具有杂乱无章、难以预测的特点[3]，因此本文只对语音信号的能量谱进行预测和估计。对语音信号做短时傅里叶变换(STFT),如式(1)。

(1)

式中,z(t)表示语音时域信号;g(t)表示窗函数。

STFT包含以下步骤:对原始语音信号分帧、加窗[4];窗函数采用汉宁窗，两窗之间有50%重叠;最后对每一帧信号做快速傅里叶变换(FFT),如图1所示。

图1 STFT流程

STFT(t,f)是一个二维复数，其中，t表示时间轴；f表示频率轴，对复数取模就可以得到信号的能量谱称为语谱图，如图2所示。

图2 语谱图

1.2 输入与输出

语音信号能量幅度的动态范围很大，不利于神经网络学习，需计算每个时频点对数能量谱以缩小动态范围，且对数能量谱更符合人类听觉感知[5]。……