基于改進噪聲估計的MMSE-LSA語音增強算法

馮 謙 余 勤 雒瑞森* 黃天淏

1(四川大學電氣工程學院 四川 成都 610041)2(桂林電子科技大學自動化學院 廣西 桂林 541004)

0 引 言

噪聲污染會使語音中的有用信息被湮沒，嚴重影響語音質量和可懂度。語音增強技術[1]就是在盡量減少失真的前提下抑制噪聲、改善語音質量的技術。目前的語音增強方法主要基于短時譜幅度估計法、語音參數模型法、聽覺場景分析法等[2-3]。其中MMSE-LSA是基于統計特性的最優短時譜幅度估計器[4]，故本文采用MMSE-LSA譜估計算法進行進一步研究。

MMSE-LSA算法基于語音活動檢測(Voice Activity Detection,VAD)[5]，利用語音和噪聲統計特性的先驗知識對帶噪語音幀進行噪聲幀和語音幀的判決，只在噪聲幀來更新噪聲估計，對語音幀則延續過去的噪聲譜估計，再在最小均方誤差準則下估計出譜增益函數，進而重構純凈語音。MMSE-LSA算法由于使用經驗閾值來判決噪聲幀和語音幀，存在較大誤差，容易出現噪聲過估計和欠估計，使增強語音失真和噪聲殘留問題嚴重。文獻[6]引入了短時能量結合譜平坦度進行雙門限判決的方法，對帶噪語音段進行有無語音的劃分，再在無語音段更新噪聲估計，提高了噪聲估計的準確性。文獻[7]通過給增益函數添加約束條件，一定程度上解決譜增益過估計和欠估計引起的語音失真和噪聲殘留問題，進一步提高MMSE-LSA算法語音增強效果。文獻[8]中MMSE-LSA譜估計器采用基于最小值控制遞歸平均(Minima Controlled Recursive Averaging,MCRA)算法，利用連續最小值跟蹤得到初步噪聲估計，再利用過去的噪聲譜估計和當前幀的帶噪語音功率譜的加權和作為當前幀的噪聲估計，權重由先驗信噪比或語音存在概率[9]決定。由于其語音存在概率由先驗的語音存在和不存在的概率決定，仍然存在一定的噪聲估計誤差，使MMSE-LSA語音增強性能受限。文獻[10]引入了短時能量和譜熵來組成能熵比，利用能熵比進行語音存在概率的估計，再結合譜減法進行語音增強，該方法能有效減小噪聲估計誤差，提高語音信噪比，但在非平穩環境下其仍然存在一定程度的噪聲殘留和語音失真問題。

針對以上情況，本文在文獻[10]基礎上提出一種基于改進噪聲估計的MMSE-LSA語音增強算法。具體思想是：(1) 對帶噪語音進行分幀、加窗處理，再對其做短時傅里葉變換，求出帶噪語音的幅度譜和相角；(2) 計算出帶噪語音的對數能量和譜熵，構建出新的語音特征參數能熵比；(3) 根據能熵比和語音存在概率的性質可知，能熵比和語音存在概率成正比關系，由此可以建立它們之間的數學關系模型，即可得到語音存在概率估計值；(4) 對估計出的語音存在概率進行平滑，利用平滑后的語音存在概率來更新噪聲功率譜估計；(5) 計算出先驗信噪比從而得到譜增益估計，再給增益函數添加一個約束閾值；(6) 利用MMSE-LSA譜估計器對帶噪語音進行語音增強。本文采用多種常見噪聲進行仿真實驗，再使用真實廣播信號進行驗證，結果證明在多種噪聲和復雜混噪環境下，本文算法能更準確地跟蹤噪聲變化，減少噪聲殘留和語音失真，改善語音質量。

1 MMSE-LSA譜估計器

假定y(n)是y(n)輸入的帶噪語音，s(n)s(n)是干凈語音，d(n)d(n)是噪聲信號，則帶噪語音模型為：

y(n)=s(n)+d(n)

(1)

由于語音是非平穩信號，其在整個時域內是變化的，而我們認為其在短時內可看作性質平穩，因此在語音增強前通常需要先對帶噪語音信號y(n)進行分幀、加窗等預處理，得到信號yi(m)，i表示第i幀。再對預處理后的yi(m)做短時傅里葉變換，得到第i幀帶噪語音幅度譜Yi(ωk)和相位θy。由于干凈語音的相位不好計算，利用人耳對相位不敏感的特點，可以直接用原始帶噪語音的相位θy作為增強語音的相位估計，再通過反傅里葉變換可以得到增強后的語音信號，故我們只對純凈語音幅度譜進行估計。

假設噪聲和語音相互獨立，則可以對式(1)兩邊同時做短時傅里葉變換，得到：

Y(ωk)ejθy=S(ωk)ejθs+D(ωk)ejθd

(2)

假設H0(ωk)和H1(ωk)分別表示語音不存在和語音存在兩種狀態，則概率密度函數分別為：

p(Y(ωk)|H0(ωk))=

假設各個頻率分量獨立，基于上述最小化目標函數和概率密度函數，可最終得到優化的MMSE幅度譜估計器[11]：

式中：εk是先驗信噪比，即第k個頻譜分量的實際信噪比；γk為后驗信噪比，即加入噪聲后第k個頻譜分量測量的信噪比。εk和γk數學表達式分別為：

Vk定義為：

由此可以對MMSE-LSA譜估計器的增益函數做如下定義：

至此，本文先采用改進的噪聲估計方法估計出噪聲功率譜，再由帶噪語音功率譜和噪聲功率譜估計求出后驗信噪比γk，使用判決引導法[12]估計出先驗信噪比εk：

式中：η是平滑系數，一般取0.98。

2 譜增益約束

MMSE-LSA算法譜增益的理想取值范圍介于0到1之間。譜增益的過估計容易抵消掉弱語音，造成語音信息的丟失，譜增益的欠估計又會使噪聲殘留過量，影響語音信噪比。因此，本文通過給MMSE-LSA譜增益添加一個門限閾值來約束增益取值范圍，約束譜增益如下：

式中：ε0為先驗信噪比閾值；Gfloor為常數，通過實驗取0.01。本文算法的整體框架如圖1所示。

圖1 本文算法整體框架

3 改進噪聲估計

在非平穩環境下，MMSE-LSA算法存在較大的噪聲跟蹤時延，導致噪聲估計值過高或過低。噪聲估計值過高會造成帶噪語音的過抵消，語音失真嚴重；噪聲估計值過低會造成語音的噪聲殘留過多，影響人耳舒適度。因此，本文改進噪聲估計方法，提高噪聲估計的準確性。

3.1 噪聲更新過程

本文算法的噪聲估計基于時間遞歸平均的噪聲功率譜估計思想，利用上一幀噪聲功率譜估計與當前幀帶噪語音功率譜的加權和來更新當前幀的噪聲功率譜，其中噪聲譜估計的平滑因子由語音存在概率來決定，具體表達式如下：

3.2 語音存在概率估計

能熵比是對數能量和譜熵的比值[13]，常被用于語音端點檢測中，當其大于門限閾值，則將當前幀判為語音幀，反之則判為噪聲幀。本文將利用能熵比進行語音端點檢測延伸到估計語音存在概率上，由能熵比和語音存在概率的性質來建立能熵比與語音存在概率的關系模型，從而進行更準確的噪聲更新。

3.2.1對數能量

語音段的短時能量通常明顯大于無語音段，短時能量就是基于這一先驗知識來對當前語音段進行判決，假設經分幀加窗后第i幀的帶噪語音信號為yi(m)，則該幀的短時能量為：

式中：N為幀長。進一步改進能量計算[14]：

LE(i)=log10(1+E(i)/a)

(15)

式中：a是一個常數，能夠使E(i)有劇烈波動時在LE(i)中得到緩和，適當選擇a可以使純噪聲段和帶噪語音段的區別更明顯，本文中a取2.1。

3.2.2譜 熵

譜熵是用來描述語音平坦度的量，對有語音段，能量變化大，熵值越低；在無語音段，能量變化小，熵值越高。設含噪語音信號加窗分幀后的第i幀語音信號為yi(m)，經傅里葉變換后，設第k個頻率分量的功率譜為Yi2(ωk)，則每個頻率分量的歸一化概率密度函數為：

則每個分析幀的譜熵[14]為：

3.2.3能熵比與語音存在概率的關系

由前面的分析可知，能熵比越高，語音存在概率越大；能熵比越低，語音存在概率越小。因此二者成正比關系。令Wi(ωk)為能熵比，則其表達式[13]為：

可將能熵比與語音存在概率的關系估計為：

控制b取值不變，改變a的取值，得到能熵比與語音存在概率的關系曲線如圖2所示，可以看出a取值越大，語音存在概率估計值隨著能熵比增長越快，在能熵比足夠大時語音存在概率估計值接近于1。

圖2 能熵比與語音存在概率的關系曲線

最后對估計出的語音存在概率進行遞歸平滑，其平滑形式如下：

4 實驗與分析

為了驗證本文所提出的改進MMSE-LSA算法的性能，將傳統MMSE-LSA算法、文獻[8]基于最小值控制的遞歸平均算法、文獻[10]基于改進語音存在概率估計的自適應噪聲跟蹤算法作為對比算法，分別使用TIMIT和NOISEX-92中的語料和噪聲按不同的信噪比混合來模擬多種噪聲環境，對比經每種算法處理后語音的信噪比、語音感知質量評估分數，同時結合語音波形進行比較，分析算法的增強效果。為驗證本文算法對現實中復雜混噪語音的處理能力，采用廣播信號進行實驗，先對廣播語音做語音增強，再使用項目已有的離線頻譜管控系統來進行語音識別測試，對比各種算法處理后語音的識別率，可用來驗證本文算法對解決實際語音增強問題的可行性。

4.1 仿真實驗

從TIMIT語料庫中選擇5男5女共200條錄音作為初始純凈語料，噪聲源使用NOISEX-92數據庫中的white噪聲、babble噪聲、F16和factory噪聲。語音信號的采樣率為16 kHz，幀長為512，幀間重疊50%，添加漢明窗。按-5 dB、0 dB、5 dB、10 dB這四種信噪比將噪聲分別和每條純凈語音相加，得到200條含噪語音。

以平均輸出信噪比SNR作為客觀評價指標，語音感知質量評估(Perceptaul Evalution of Speech Quality,PESQ)作為主觀評價指標，SNR表達式如下：

仿真實驗中使用white噪聲模擬平穩環境，其他噪聲模擬非平穩環境，實驗結果如表1所示。可以看出，不管是在平穩環境還是非平穩環境下，本文算法的輸出信噪比SNR、PESQ分數表現都是最優，說明本文算法能較好地跟蹤噪聲變化，有效抑制噪聲，改善語音質量，且能適應于多種噪聲環境。

表1 輸出信噪比SNR和PESQ分數

任選一條純凈語料，圖3(a)為該條純凈語料的波形圖，圖3(b)為加入信噪比為5 dB的babble噪聲后的帶噪語音的波形圖，圖3(c)為經過文獻[8]算法增強后的語音波形圖，圖3(d)為經過文獻[10]算法增強后的語音波形圖，圖3(e)為經過本文算法增強后的語音波形圖。可以看出，圖3(c)殘留噪聲多，去噪能力有限；而圖3(d)去噪能力強但會造成削波，導致語音音質受損；圖3(e)顯示本文算法具有較強的去噪能力，且能一定程度上抑制語音失真。

(a) 純凈語音

(b) 帶噪語音

(d) 文獻[10]算法

(e) 本文算法圖3 各算法波形圖

4.2 廣播語音信號識別實驗

為驗證本文算法對真實混噪信號的增強性能，由于廣播信號隨機混有多種未知噪聲、背景音復雜，適合作為實驗對象。采用無線電信號接收器定點采集本地區某頻段廣播語音，切分成每條20 s以內的短音頻，進行人工初篩分類后組成廣播短語音數據集，采樣率為16 kHz，16位量化。從數據集中隨機抽取100條廣播樣本做語音增強處理，使用項目已有的離線頻譜管控系統對增強前后的廣播語音進行語音識別測試，以平均語音識別率[15]作為評價指標，圖4為采用不同算法增強后的波形圖對比，圖5為語音識別率對比。

(a) 原始廣播語音

(b) 文獻[10]算法

(c) 本文算法圖4 不同算法增強后的波形圖

圖5 廣播語音識別率

由圖4可以看出，對真實廣播語音信號，本文算法能有效抑制其背景噪聲，改善語音質量，本文算法對處理現實環境中復雜混噪語音問題有一定參考價值。

由圖5可以看出，原始廣播語音的語音識別率為0.4左右，經過本文算法增強后語音識別率能達到0.78，提高了0.38，說明在處理復雜混噪語音時，本文算法能在抑制噪聲的基礎上較好地保留話語完整性，減少語音信息丟失，有效提高語音的可懂度。同時，從主觀試聽感受來說，增強前的廣播信號背景嘈雜、有部分字詞被噪聲淹沒，還伴隨有隨機尖峰聲，而經語音增強處理后廣播信號的人耳舒適度大大提高，特別是本文算法處理后音質有了明顯改善，基本不影響對廣播語音內容的理解。

5 結 語

本文針對MMSE-LSA算法對非平穩語音的噪聲估計不夠準確、導致語音增強性能受限的問題，引入能熵比參數來估計語音存在概率，再利用平滑后的語音存在概率來更新噪聲估計；同時添加一個地板閾值來約束譜增益，緩解譜增益欠估計引起的語音失真。經多種噪聲仿真實驗和真實廣播信號驗證，本文算法能較好地跟蹤噪聲變化，減小噪聲估計的誤差，有效抑制噪聲和減小語音失真，提高語音可懂度。