王师琦，曾庆宁，龙 超，熊松龄，祁潇潇

桂林电子科技大学 信息与通信学院，广西 桂林 541004

基于深度学习的语音增强通常是从单通道声学信号中提取出特征，利用深度神经网络（Deep Neural Networks，DNN）进行有监督学习，学习出各种嘈杂语音与干净语音之间复杂的非线性关系[1]。其中，具有多个隐藏层的全连接前馈神经网络是应用最广泛的DNN模型之一，文献[2]中，Wang等首次将其引入到语音分离任务中，相较许多单通道的传统方法，基于深度学习的方法在非平稳噪声中的降噪、多说话人的语音分离等方面均有着特殊的优势，但由于其结构比较简单，通常不能很好地挖掘语音中的深度特征。为了弥补这个缺点，文献[3]在输入端从特征工程方向考虑，尝试了多种语音特征，文献[4]通过引入CNN（Convolutional Neural Networks，卷积神经网络），使得模型自身的特征提取能力得到提升。文献[5]将LSTM应用于语音分离，使得模型获得了在长序列上建模的能力，即使在不使用未来帧的情况下也可以取得很好的效果。

VAD是指从声音信号中检测是否存在人类语音的一类任务。其在语音信号处理中被广泛地应用，如语音电话、语音编码、自动语音识别、音频监控、语音增强、说话人验证。经典的VAD算法有：基于阈值决策准则的算法[6]、基于统计模型的算法[7]。近年来，越来越多的研究者开始将深度学习技术应用在VAD任务中，文献[8]提出了一种能充分利用上下文信息的VAD深度学习方法，文献[9]提出了一种VAD与语音增强任务联合训练的模型，凭借有监督深度学习强大的数据驱动能力，它们均取得了很好的效果，但目前，在低信噪比以及不匹配噪声下的VAD仍是一个极具挑战性的任务。……