董宏越，马建芬+，张朝霞

(1.太原理工大学 信息与计算机学院，山西 晋中 030600； 2.太原理工大学 物理与光电工程学院，山西 晋中 030600)

0 引 言

语音增强是从含噪语音中估计纯净语音，从而得到高质量和可懂度的增强语音[1]。多名研究者提出了基于监督学习的算法[2-7]进行语音增强。其中，基于时域波形映射的深度学习语音增强算法[8]，通过全卷积神经网络可以直接将原始含噪语音作为输入，并直接输出时域增强语音，成为了语音增强领域研究的热门。但由于在时域中，背景噪声和语音之间没有明显的可辨别性，如何设计合适的损失函数来提高全卷积神经网络的去噪能力成为其中一个难点。近些年研究发现，许多语音增强算法忽略了语音的谐波结构，无法有效去除谐波之间的噪声，因此具有较差的增强性能[9,10]。而现有改进的基于时域波形映射的语音增强方法[11,12]，是通过使用频谱幅度损失函数或直接采用评价指标相关的损失函数，来提高语音增强的性能。这些方法还没有考虑到直接恢复语音的谐波结构，导致这些算法在低信噪比条件下仍然不能获得让人满意的增强效果。

因此，为解决现有基于时域波形映射的语音增强算法没有考虑到语音的谐波结构，导致具有较差语音增强性能的问题。我们提出了一种基于时域波形映射-频域谐波损失的语音增强算法，通过使用本文提出的频域谐波损失函数，将语音谐波结构的恢复纳入神经网络的学习过程之中，来进一步提高语音增强的性能。……