肖纯鑫，陈 雨

(四川大学 电子与信息学院，四川 成都 610065)

0 引 言

近年来基于统计学规则的语音增强技术，如将MMSE统计规则应用于对数域下的对数谱估计算法(minimum mean square error log-spectral amplitude，MMSE-LSA)[2]等，由于运算量小、语音增强性能较好，在实时应用场景中得到了广泛应用[1-3]。基于深度学习的方法虽然拥有较好的语音增强效果，但复杂的网络模型结构和过多运算量等缺陷，使其在实际场景中难以应用[4-7]。相比而言，基于统计学规则的语音增强方法虽然存在着一定性能上的不足，但是这些算法具有较为成熟的理论支撑，将其与深度神经网络相结合，发挥各自的优良特性，可以实现更加卓越的语音增强性能[8,9]。Jean-Marc提出的基于循环神经网络的语音增强方法(RNNoise)[10]，使用频带增益等混合音频特性作为神经网络的训练特征，减少模型的输入特征维数，兼顾网络复杂度和语音增强性能，做到了算法的可实时性。同时，RNNoise继承了深度学习方案的优点，对非平稳噪声的抑制效果显著，更符合实际的商业应用场景。

基于以上分析，本文将结合RNNoise与MMSE-LSA语音增强算法，并对RNNoise中增强语音的滤波方式进行改进，进而提出一种语音增强算法MMSE-RNNoise。该方法提升了深度学习语音增强方案对抗未知噪声的鲁棒性，改善了复杂环境下的语音可懂度。

1 MMSE-RNNoise语音增强算法

在RNNoise语音增强算法中，以频带增益作为训练特征以减少神经网络的特征输入量，并在神经网络估计出频带增益后以内插的方式得到频谱增益。而频带增益插值运算的方式使得RNNoise中的频谱增益估计过于平滑，增强语音的噪声抑制不够彻底。……