語音信號增強技術在語音識別中的應用

江昱欣 張紅兵

（中國刑事警察學院公安信息技術與情報學院 遼寧省沈陽市 110854）

語音識別技術在智能終端上得到了廣泛應用，以手機為例。Samsung 手機推出了Bixby 助理，而iPhone 手機推出了Siri，這些主打智能的語音助理均是語音識別技術的一個衍生種類。語音識別技術在發展中，依托于神經網絡模塊，并借助自身的系統優化功能，在不同環境下可以取得較高的識別率。但語音識別系統在應用環境中，其測試環節以及訓練環境較不匹配。因此，很有可能導致傳統的語音識別系統性能出現一定程度的下降。這對于語音識別統計模型而言，產生了一定的問題。因此，在識別系統應用于噪聲環境中，在測試語音中的噪聲以及訓練語音的噪聲配比必須進行有效的分析，以取得較高的識別性質。

1 語音信號增強算法的基本原則

在語音信號增強算法的原則回顧中，可以根據以下公式進行模型設定。

此外，在模型公式設定完畢后，各公式中的數值分別代表語音凈值。在噪聲以及噪聲環境中，語音增強最常用的方法便是基于其短時譜估算方法。利用短時頻譜估算方法，完成相關的短時頻譜交換，將時間模型變更到相關的領域。其主要可分為以下幾種方法。

（1）譜減法。譜減法可以假設噪聲是否平穩以及噪聲的相關特征，分析噪聲是否與語音信號具有密切關聯。在噪聲語音的功率譜中，減去噪聲的功率，得到語音頻譜。譜減法根據其已經完畢的算法，其運算量較小，較容易實現增強，效果也極佳。但在后續增強后，語音較容易留下相關的噪聲，對主觀的音頻質量具有一定的干擾。

（2）維納濾波。維納濾波可以將其看作為是域波型的均方估差。維納利波的整體特性可以使殘留噪聲有效減小，且信號之間具有良好的連接性，無任何音源噪聲。但在處理后，其會留下白噪聲的殘留[1-3]。

（3）最小均方誤差估計。最小物均方誤差估計，其改進方法面對于非平穩的噪聲，其具有良好的抑制作用。但較難估計語音信號的概率，以及密度函數等。

（4）基于神經網絡的語音增強方法。近年來在發展中，基于神經網絡的深層線性結構可以設計為精準的降噪濾波器，實現語音信號增強。通過該算法，可以很好的抑制相關的噪聲。在使用時，其原理可以利用深層神經網絡學習，對噪聲以及待改進語音之間進行有效切換。

2 漸進式語音學習增強的識別方法

在進行傳統語音增強算法中，此類算法可以通過相關的算法，對語音進行直接評估。根據帶噪語音中的正常語音，完成提取處理。以深層神經網絡算法為例，可以通過神經網絡建立的模型，完成噪聲處理的智能化。將相關噪聲導入相關的網絡模型中，進行自動設定，滿足相關參數。此外，在計算量增加時，根據相關的噪聲模型，可以保障系統處理速度。在第一噪聲環境下，深層神經網絡在增強后，其語音有可能會呈現一定程度的失真。為了保持深層神經網絡在噪聲語音增強方法中能夠得到增強，其相關的研究領域集中對其進行了全面優化。使用該方法進行語音增強，將相關算法作為識別模型的前端部分，應用至語音識別領域，完成漸進式語音學習增強[4-6]。根據相關的基礎工作，可以全面提升語音的質感以及相關度數指標。而在后續的識別模塊中，通過該方法，可以訓練其整體對帶噪語音的前端降噪，提取相關特征。并輸送至后端，識別相關的模型以及語音模型，完成解碼搜索。最后，得出識別結果。就漸進語音增強以及識別方法而言，可以得知其基于傳統的部分流程，可以有效確保在學習過程中，能夠針對于出現的相關噪聲問題進行凈值的提取。有效提升深層神經網絡的中間隱層，對相關的信噪比進行減少，以根據神經網絡模型的參數更好的減少語音識別錯誤率（如圖1 所示）。在相關噪聲比環境下，每個階段的學習過程可以促進下一階段的學習，漸進語音學習增強方法，其結構模型較高，通常均采用激勵函數為線性激勵。

在語音增強訓練階段中，通過以下步驟可以有效地進行語音信號增強技術的優化。

步驟一，通過對干凈的語音進行額外加噪，以便生成大量的帶噪語音。并將其作為輸入信號，將輸入信號與輸出時進行對應，生成指定的信噪比。并將帶噪語音作為基礎目標，生成信噪比的帶噪語音。將其定為目標一以及目標三，隨后完成以下信噪比的設定。如將信噪比設定為5dB 至10dB；

步驟二，特征提取。在語音信號提取中，通過模型結構，對語音信號進行分幀處理。選擇功率譜作為增強特征，對當前的幀頻率進行交換。將語音信號從某一頻率變更到另外一頻率，并對其進行數控頻譜。將其作為PL-DNN 輸入特征；

步驟三， PL-DNN 輸入特征訓練，漸進式語音學習增強方法可以訓練其整體的結構模型。當一定的目標層值增強后，對頻譜特征可以完成下一目標的輸入，隨后在傳播階段通過相關準則，以保障目標層優化。相關的音頻函數在全部特征以及目標特征的分析中，根據目標指數的梯度，可以完成特征學習。將其設定為L1、L2 等目標分層。每個目標分成的梯度只影響其相關形成目標的參數，更新平衡多個目標值。將a1，a2 等設置為0，在通常情況下可以與其深層神經網絡模型進行相同的設置。

而在語音識別訓練階段，其同樣可以通過以下幾個步驟完成語音識別訓練。

步驟一，進行數據提取。將語音識別的數據訓練模式按照相關步驟組建PL-DNN 網絡，在得到增強后進行語音訓練；

圖1：漸進學習語音增強以及識別方法

步驟二，特征提取。將語音增強的訓練階段進行排比分析，將增強后的語音訓練數據完成特征提取，根據語音增強選取模式，對整體的數功率譜特征進行分析；

步驟三，聲學建模。使用深層神經網絡算法，混合聲學模型進行聲學建模，將聲學以及發音學的相關知識進行整合，并提取相關的聲音特征作為基礎輸入點[7]。

3 數字化語音信號

采用數字化語音技術，可以將相關的語音信號轉化為數字處理形式。轉化形式具有多樣性的方法，目前我國常用的方法按照PCM 編碼對其進行轉化。 PCM 編碼可以對頻帶率為300~3400Hz的語音信號進行有效的采樣，并完成轉換。在轉換時，以8kHz 速率完成取樣分析，在取樣后按照A 律編碼進行偶數交替反轉。在多路語音信號分配下，可以完成取樣PCM 編碼。通常為5V 供電，且PCM 編碼集成了4 路PCM 編解碼電路。在壓擴方式當中，其通過自帶的電機電壓基準以及低通接收濾波器等完成編碼工作。在轉換中，其通過長幀以及短幀兩種方式。

PCM 編碼工作包含了8bit 以及32bit 兩種。其中，8bit 需要在轉化過程中，對每條語音PCM 碼提供單獨的幀同步信號。而在32bit 工作中，其通過相關的時隙，可以提供短針同步信號，可自動完成后續的連接同步。在32bit 運作中，還可以通過多級芯片進行聯合工作。在語音化數字信號中，可以完成噪聲抑制控制功能。通過相關的技術流程，可以實現有效的數值分析，并將其轉化為大小比較的碼型。在將輸入值進行噪聲抑制比較，以根據比較結果，從相關D 端輸出至延時器[8]。

4 數字化噪聲抑制電路的工作原理

就PCM 解碼而言，在輸出端輸出相關的數值后，可以表示在多路信號反轉時，通過64bit 串行信號實現參數化位移，使其儲存在儲存器中的相關數值有效變化。經64 位參數化模塊鎖存后，在每幀刷新過程中刷新一次，依次送至8 個噪聲抑制器中。每個噪聲抑制器獨立控制一臺語音信道，將PCM 信號數值取反后，將其符合最高位以外的7 位數字，進行限制比較，完成分析。經實驗數據證實，在比較過程中，其輸出延時器可以作為控制信號，達到有效的抑制程度，并就抑制器輸出的PCM 信號，將其轉化為寄存器模塊，并實現串聯恢復，進行PCM 碼處理。

在數字化噪聲抑制電路原理中，可以根據相關的要求使，用幀脈沖，并提供儲存器。噪聲在控制器中，需要的相關設備為延時器提供相關的數字信號，如P0~P1。選擇PCM32 時隙中的處理工藝，以保障所選擇的分頻系數以調整噪聲延時時間，實現外部數字信號的設置以及調整。按照相關方法，對PCM 信號進行數字化噪聲處理，可以保障其語音信號產生固定延遲，使人耳聽覺對此延遲信號無法察覺。

5 波束成形技術

5.1 波束成形技術的基本概述

波束成形技術較比以往的雙麥克風降噪方法相比，其進行了全面優化。例如，其整體采用了麥克風陣列方案，通過麥克風的相關調整，可以根據不同方向的聲音信號值，采取不同的聲音值進行音頻的計算。并大幅度的提升語音的信號強度，使用全值，顯著降低其他方向的信號強度，實現語音增強的目標。在波速成型技術中，對麥克風陣列中的每一個麥克風進行采集，并分析其相關的信號。對不同麥克風采集到的聲音信號，選擇合理的權值，進行加權計算。在提取語音聲源方向，獲得較優的信號，對于其他方向的聲音信號產生一定的衰減效果。

5.2 波束成形的應用

波速成型技術相較于傳統的雙麥克風降噪算法，其具有明顯的降噪效果，且具有可控性。通過環境中的某一組典型的聲源位置進行調制，以確定每一個位置的最佳權重參數。隨后，通過相關聲源定位選擇最優的預調至聲源位置，并根據權重參數組合達到較好的語音信號增強效果[9-10]。

6 自適應回聲消除技術

在自適應回聲消除技術中，以汽車的語音識別系統為例。當使用者在開啟汽車后，其汽車內部搭載的語音操作系統依托于智能化的處理方案，可以對汽車的相關生源信號進行聲源判斷。以根據其廣播的相關特性，播放相關的電臺。在播放語音提示中，將這些聲音從麥克風中進行清除，使用自適應回聲消除技術。在媒體設備播放過程中，通過廣播電臺的波形輸出，將輸出的波形作為參考信號數字語音增強模塊。隨后，將此類媒體信號從麥克風中進行剔除，可以清除其無效信號，提升整體的信噪比。回聲消除具有明顯的應用場景，其可以應用于免提通話或播放音樂以及相關廣播。隨后，進行整體的音頻輸出，可以有效的清除無效信號。

例如在語音打斷技術中，輸入語音指令可以直接打斷當前的語音提示音，而非傳統的等待語音提示結束后再進行輸入。在語音打斷技術中，最顯著的例子便是語音信號通話分析。在撥打相關的人工智能服務臺時，其語音信號由相關的使用者在數字撥盤播出1~9數字進行下一步操作。如中國聯通話費查詢，在語音播報過程中。與以往的語音信號相比，現有信號擁有非常成熟的打斷技術。當使用者在數字盤上播出相關數字后，現有的語音指令將全部停止，并增加全新的信號比值，使其能夠得到良好的處理模式。顯著的降低時間成本，能夠得到最好的應用。

7 結束語

綜上所述，在語音信號增強識別技術中，根據語音增強算法，可以得知語音識別在生活中的應用。通過相關的論證，語音信號增強技術基于神經網絡語音增強算法，減少了模型參數以及計算量，提升了系統的整體運行效率。同時，也可以對豐富信息的多個目標進行有效設定，提升整體處理性能。