郑晨颖，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

在理想情况下，语音增强系统应该完全消除噪声而不降低语音质量。语音增强的一般方法是对含噪语音进行处理，使其更接近干净语音，但是这类方法会由于对语音的过抑制在语音信号中引入额外的失真[1，2]。文本-语音(text-to-speech，TTS)合成系统通过训练声学模型将文本特征映射到声码器的时变声学参数上，然后由声码器生成语音，从而从文本输入产生高质量的语音。然而这类系统存在的问题是无法从纯文本中预测真实的韵律[3]。Soumi Maiti等[4]提出了使用干净语音声码器参数作为目标的神经网络进行语音增强的参数再合成(parametric resynthesis，PR)方法，结合了一般的语音增强算法和TTS，该方法主要分为预测和合成两个阶段，其预测模型是一种神经网络，以噪声的Mel频率倒谱系数(Mel frequency cepstrum coefficient，MFCC)特征作为输入，在固定帧率下预测干净语音的声学特征；在合成阶段利用传统的基于源滤波器WORLD声码器实现语音参数与纯净语音波形之间的转换。该系统的主要问题是使用单一声学特征MFCC进行预测以及非神经网络声码器WORLD声码器进行语音合成，这会导致在复杂的噪声环境下系统的增强性能大幅度下降。

针对以上问题，在基于参数再合成的语音增强算法上从噪声中分别提取GFCC、MFCC和韵律特征后进行注意力融合，采用综合特征代替单一特征预测干净语音的声学参数，并用神经网络声码器WaveNet声码器合成干净语音，从而在预测和合成两个方面同时提高语音质量。……