按信噪比 SNR 混合纯净语音和噪声

最新推荐文章于 2023-04-05 15:09:05 发布
最新推荐文章于 2023-04-05 15:09:05 发布
阅读量2.7k 收藏 22
点赞数 5
分类专栏： Python学习
原文链接：https://github.com/eesungkim/Speech_Enhancement_DNN_NMF
版权

可以选择 cut 或者 append 模式

SNR_a1.py：

import scipy.io.wavfile as wav
import numpy as np
import scipy


# x1--合并的纯净语音， x2--单个噪声 ，所以 x1 >> x2
def signal_by_db(x1, x2, snr, handle_method):
    from numpy.linalg import norm
    from math import sqrt
    import math

    # target_clean_rms = 0.020
    # x1 = x1 - np.mean(x1)
    # stand_rms = np.sqrt(np.mean(x1))
    #
    # x1 = (target_clean_rms / stand_rms) * x1
    # stand_rms = np.sqrt(np.mean(x1))
    #
    # x2 = x2 - np.mean(x2)
    #
    # x2 = stand_rms / np.sqrt(np.mean(x2)) * x2
    print(x1.shape)
    print(x2.shape)
    x1 = x1.astype(np.int16)
    x2 = x2.astype(np.int16)
    # x2 = x2[:250000]
    l1 = x1.shape[0]
    l2 = x2.shape[0]

    # print(l1)    # 82228
    # print(l2)    #250000

    if l1 != l2:
        print("l1!=l2")
        if handle_method == 'cut':
            ll = min(l1, l2)
            print(l1)
            x1 = x1[:ll]
            x2 = x2[:ll]
        elif handle_method == 'append':
            x2 = x2[:250000]      #让噪声小于纯净语音
            ll = max(l1, l2)
            if l2 < ll:
                x2_total = []
                for i in range(int(l1 // l2) * 2):     # "//"表示整数除法,返回不大于结果的一个最大的整数
                    x2_total.append(x2)                # 添加噪声
                x2_total = np.hstack(x2_total)
                #    x2 = np.append(x2, x2[:l2])

                ll2 = x1.shape[0]

                x2 = x2_total[:ll2]
            print(np.shape(x1))
            print(np.shape(x2))

    x2 = x2 / norm(x2) * norm(x1) / (10.0 ** (0.05 * snr))

    # x2 = math.sqrt(np.sum(np.abs(x1) ** 2)) / math.sqrt((np.sum(np.abs(x2) ** 2)) * (10 ** snr)) * x2
    # x2 = np.sqrt(np.sum(np.abs(x1)**2))/np.sqrt((np.sum(np.abs(x2)**2))*(10**snr))*x2
    # print(np.shape(x1))
    # print(np.shape(x2))
    mix = x1 + x2
    print(mix.shape)
    return mix, x2

def SNR_mixed(snr):
    clean_test = "datasets/timit_clean_selected/timit_clean_selected_test.wav"
    noise = "datasets/noise/NOISEX/factory1.wav"
    sr, clean_test = scipy.io.wavfile.read(clean_test)
    sr, noise= scipy.io.wavfile.read(noise)

    # noisy_factory_test, _ = signal_by_db(clean_test, noise, snr, 'append')
    noisy_factory_test, _ = signal_by_db(clean_test, noise, snr, 'cut')
    noisy_factory_test = np.asarray(noisy_factory_test, dtype=np.int16)
    wav.write("datasets/snr_output/timit_speech_factory_snr%s_test.wav" % snr, sr,
              noisy_factory_test)

# del noisy_factory_test
if __name__ == "__main__":
    snr = 0
    SNR_mixed(snr)

混合多段语音：generate_timit_merged_noisy.py

import os
import glob
import scipy.io.wavfile as wav
import numpy as np
from matplotlib import pyplot as plt
import librosa
import scipy


def makedirs(path):
    if not os.path.exists(path):
        print(" [*] Make directories : {}".format(path))
        os.makedirs(path)

#merge_files_in_a_folder # 合并音频
def merge_files(path_read_folder, path_write_wav_file):
    # files = os.listdir(path_read_folder)
    # print(files)
    merged_signal = []
    for filename in glob.glob(os.path.join(path_read_folder, '*.wav')):
        # print(filename)
        sr, signal = wav.read(filename)
        merged_signal.append(signal)
    merged_signal=np.hstack(merged_signal)      #在水平方向上平铺
    merged_signal = np.asarray(merged_signal, dtype=np.int16)
    wav.write(path_write_wav_file, sr, merged_signal)


def merge_files_n(path_read_folder, path_write_wav_file):
    files = os.listdir(path_read_folder)      #返回指定路径下的文件和文件夹列表
    print(files)
    merged_signal = []
    for file_single in files:                 # files为os.listdir()返回的列表
        file_single_path = path_read_folder + file_single + "/"
        print(file_single_path)
        files = os.listdir(file_single_path)  # 返回指定路径下的文件和文件夹列表
        for file in files:                    # files为os.listdir()返回的列表
            path_n = os.path.join(file_single_path, file)  # 连接两个或更多的路径名
            path_ns = path_n + "/"
            print(path_ns)
            for filename in glob.glob(os.path.join(path_ns, '*.wav')):
                sr, signal = wav.read(filename)
                merged_signal.append(signal)
    print(len(merged_signal))
    merged_signal=np.hstack(merged_signal)      #在水平方向上平铺
    merged_signal = np.asarray(merged_signal, dtype=np.int16)
    wav.write(path_write_wav_file, sr, merged_signal)
    print("merge_files_n completed!")


def SNR(x1, x2):
    from numpy.linalg import norm
    return 20 * np.log10(norm(x1) / norm(x2))

# x1--合并的纯净语音， x2--单个噪声 ，所以 x1 >> x2
def signal_by_db(x1, x2, snr, handle_method):
    from numpy.linalg import norm
    from math import sqrt
    import math

    # target_clean_rms = 0.020
    # x1 = x1 - np.mean(x1)
    # stand_rms = np.sqrt(np.mean(x1))
    #
    # x1 = (target_clean_rms / stand_rms) * x1
    # stand_rms = np.sqrt(np.mean(x1))
    #
    # x2 = x2 - np.mean(x2)
    #
    # x2 = stand_rms / np.sqrt(np.mean(x2)) * x2

    x1 = x1.astype(np.int16)
    x2 = x2.astype(np.int16)
    x2= x2[:250000]
    l1 = x1.shape[0]
    l2 = x2.shape[0]

    # print(l1)    # 82228
    # print(l2)    #250000

    if l1 != l2:
        print("l1!=l2")
        if handle_method == 'cut':
            ll = min(l1, l2)
            x1 = x1[:ll]
            x2 = x2[:ll]
        elif handle_method == 'append':
            ll = max(l1, l2)
            if l2 < ll:
                x2_total = []
                for i in range(int(l1 // l2)*3):
                    x2_total.append(x2)
                x2_total = np.hstack(x2_total)
                #    x2 = np.append(x2, x2[:l2])

                ll2 = x1.shape[0]

                x2 = x2_total[:ll2]
            print(np.shape(x1))
            print(np.shape(x2))

    x2 = x2 / norm(x2) * norm(x1) / (10.0 ** ( 0.05*snr))
    # x2 = math.sqrt(np.sum(np.abs(x1) ** 2)) / math.sqrt((np.sum(np.abs(x2) ** 2)) * (10 ** snr)) * x2
    # x2 = np.sqrt(np.sum(np.abs(x1)**2))/np.sqrt((np.sum(np.abs(x2)**2))*(10**snr))*x2
    # print(np.shape(x1))
    # print(np.shape(x2))
    mix = x1 + x2

    return mix, x2


def generate_noise(x1, x2):
    x1 = x1.astype(np.int16)
    x2 = x2.astype(np.int16)
    l1 = x1.shape[0]
    l2 = x2.shape[0]

    # print(x1.shape)
    # print(x2.shape)

    ll = max(l1, l2)
    x2_total=[]
    for i in range(int(l1 / l2) + 5):
        x2_total.append(x2)
    x2_total = np.hstack(x2_total)
    #    x2 = np.append(x2, x2[:l2])

    ll2 = x1.shape[0]

    x2 = x2_total[:ll2]

    return x2


def generate_noisy_data(path_clean_noise,nSNR):
    sr, clean_train = scipy.io.wavfile.read(path_clean_noise['path_clean_train_wav'])
    sr, clean_test = scipy.io.wavfile.read(path_clean_noise['path_clean_test_wav'])

    sr, noise_white = scipy.io.wavfile.read(path_clean_noise['path_noise_white_wav'])
    sr, noise_factory = scipy.io.wavfile.read(path_clean_noise['path_noise_factory_wav'])
    sr, noise_babble = scipy.io.wavfile.read(path_clean_noise['path_noise_babble_wav'])
    sr, noise_machinegun = scipy.io.wavfile.read(path_clean_noise['path_noise_machinegun_wav'])
    sr, noise_f16 = scipy.io.wavfile.read(path_clean_noise['path_noise_f16_wav'])
    sr, noise_buccaneer = scipy.io.wavfile.read(path_clean_noise['path_noise_buccaneer_wav'])

    for snr in nSNR:
        print("Gernerating Noisy SNR [%s] ................." % snr)

        # noisy_white_train, noise_white_total  = signal_by_db(clean_train, noise_white, snr, 'append')       # return mix, x2
        noisy_factory_train, noise_factory_total = signal_by_db(clean_train, noise_factory, snr, 'append')    # return mix, x2
        noisy_babble_train, noise_babble_total = signal_by_db(clean_train, noise_babble, snr, 'append')       # return mix, x2
        noisy_machinegun_train, noise_machinegun_total = signal_by_db(clean_train, noise_machinegun, snr, 'append')

        #matched noise
        noisy_white_test, _ = signal_by_db(clean_test, noise_white, snr, 'append')
        noisy_factory_test, _ = signal_by_db(clean_test, noise_factory, snr, 'append')
        noisy_babble_test, _ = signal_by_db(clean_test, noise_babble, snr, 'append')
        noisy_machinegun_test, _ = signal_by_db(clean_test, noise_machinegun, snr, 'append')
        #mismatched noise
        noisy_f16_test, _ = signal_by_db(clean_test, noise_f16, snr, 'append')
        noisy_buccaneer_test, _ = signal_by_db(clean_test, noise_buccaneer, snr, 'append')

        # noisy_white_train = np.asarray(noisy_white_train, dtype=np.int16)
        noisy_factory_train = np.asarray(noisy_factory_train, dtype=np.int16)
        noisy_babble_train = np.asarray(noisy_babble_train, dtype=np.int16)
        noisy_machinegun_train = np.asarray(noisy_machinegun_train, dtype=np.int16)

        # noisy_white_test = np.asarray(noisy_white_test, dtype=np.int16)
        noisy_factory_test = np.asarray(noisy_factory_test, dtype=np.int16)
        noisy_babble_test = np.asarray(noisy_babble_test, dtype=np.int16)
        noisy_machinegun_test = np.asarray(noisy_machinegun_test, dtype=np.int16)
        noisy_f16_test = np.asarray(noisy_f16_test, dtype=np.int16)
        noisy_buccaneer_test = np.asarray(noisy_buccaneer_test, dtype=np.int16)


        # noise_white_total = np.asarray(noise_white_total, dtype=np.int16)
        noise_factory_total = np.asarray(noise_factory_total, dtype=np.int16)
        noise_babble_total = np.asarray(noise_babble_total, dtype=np.int16)
        noise_machinegun_total = np.asarray(noise_machinegun_total, dtype=np.int16)


        PATH_ROOT = os.getcwd()
        makedirs(os.path.join(PATH_ROOT, "datasets/timit_noisy_selected/train/"))
        makedirs(os.path.join(PATH_ROOT, "datasets/timit_noisy_selected/test_match/"))
        makedirs(os.path.join(PATH_ROOT, "datasets/timit_noisy_selected/test_mismatch/"))
        makedirs(os.path.join(PATH_ROOT, "datasets/timit_noise_selected/"))

        # wav.write("datasets/timit_noisy/train/timit_noisy_white_snr%s_train.wav"%snr, sr, noisy_white_train)
        wav.write("datasets/timit_noisy_selected/train/timit_noisy_factory_snr%s_train.wav"%snr, sr, noisy_factory_train)  #6种信噪比：0、-5、+5、10、15、20
        wav.write("datasets/timit_noisy_selected/train/timit_noisy_babble_snr%s_train.wav"%snr, sr, noisy_babble_train)
        wav.write("datasets/timit_noisy_selected/train/timit_noisy_machinegun_snr%s_train.wav"%snr, sr, noisy_machinegun_train)

        #matched
        # wav.write("datasets/timit_noisy/test/timit_noisy_white_snr%s_test.wav"%snr, sr, noisy_white_test)
        wav.write("datasets/timit_noisy_selected/test_match/timit_noisy_factory_snr%s_test.wav"%snr, sr, noisy_factory_test)
        wav.write("datasets/timit_noisy_selected/test_match/timit_noisy_babble_snr%s_test.wav"%snr, sr, noisy_babble_test)
        wav.write("datasets/timit_noisy_selected/test_match/timit_noisy_machinegun_snr%s_test.wav"%snr, sr, noisy_machinegun_test)
        #mismatched
        wav.write("datasets/timit_noisy_selected/test_mismatch/timit_noisy_f16_snr%s_test.wav"%snr, sr, noisy_f16_test)
        wav.write("datasets/timit_noisy_selected/test_mismatch/timit_noisy_buccaneer_snr%s_test.wav"%snr, sr, noisy_buccaneer_test)

        # wav.write("datasets/timit_noisy/test/timit_noise_white_snr%s_total.wav"%snr, sr, noise_white_total)
        wav.write("datasets/timit_noise_selected/timit_noise_factory_snr%s_total.wav"%snr, sr, noise_factory_total)
        wav.write("datasets/timit_noise_selected/timit_noise_babble_snr%s_total.wav"%snr, sr, noise_babble_total)
        wav.write("datasets/timit_noise_selected/timit_noise_machinegun_snr%s_total.wav"%snr, sr, noise_machinegun_total)

        # noisy_f16_train = signal_by_db(clean_train, noise_f16, snr, 'append')
        # noisy_buccaneer_train = signal_by_db(clean_train, noise_buccaneer, snr, 'append')
        # noisy_f16_test = signal_by_db(clean_test, noise_f16, snr, 'append')
        # noisy_buccaneer_test = signal_by_db(clean_test, noise_buccaneer, snr, 'append')

        # noise_f16_total
        # noise_buccaneer_total

        # wav.write("datasets/timit_noisy_f16_snr%s_train.wav"%snr, sr, noisy_f16_train)
        # wav.write("datasets/timit_noisy_buccaneer_snr%s_train.wav"%snr, sr, noisy_buccaneer_train)
        # wav.write("datasets/timit_noisy_f16_snr%s_test.wav"%snr, sr, noisy_f16_test)
        # wav.write("datasets/timit_noisy_buccaneer_snr%s_test.wav"%snr, sr, noisy_buccaneer_test)

        del noisy_factory_train, noisy_babble_train, noisy_machinegun_train
        del noisy_factory_test, noisy_babble_test, noisy_machinegun_test
        del noise_factory_total, noise_babble_total, noise_machinegun_total

        # print("Finished generating the Noisy SNR [%s] ................." % snr)


if __name__ == '__main__':
    nSNR = [-5, 0, 5, 10, 15, 20]
    nNoise = 3


    nTrain=len(nSNR)*nNoise
    nTest =len(nSNR)*nNoise

    PATH_ROOT = os.getcwd()
    makedirs(os.path.join(PATH_ROOT, "datasets/timit_clean_selected/train/"))
    makedirs(os.path.join(PATH_ROOT, "datasets/timit_clean_selected/test/"))

    
    # makedirs("datasets/timit_clean/train/")
    # makedirs("datasets/timit_clean/test/")
    # path_read_train_folder    = "datasets/timit_8k_wav/train"
    # path_write_train_wav_file = "datasets/timit_clean/train/timit_clean_train.wav"
    # path_read_test_folder    = "datasets/timit_8k_wav/test"
    # path_write_test_wav_file = "datasets/timit_clean/test/timit_clean_test.wav"

    path_read_train_folder    = "datasets/timit_clean_selected/train/"
    path_write_train_wav_file = "datasets/timit_clean_selected/timit_clean_selected_train.wav"
    path_read_test_folder    = "datasets/timit_clean_selected/test/"
    path_write_test_wav_file = "datasets/timit_clean_selected/timit_clean_selected_test.wav"

    # noise data path
    # factory, babble, machinegun noises from NOISEX-92 DB
    path_noise_white = "datasets/noise/NOISEX/white.wav"
    path_noise_factory = "datasets/noise/NOISEX/factory1.wav"
    path_noise_babble = "datasets/noise/NOISEX/babble.wav"
    path_noise_machinegun = "datasets/noise/NOISEX/machinegun.wav"

    # buccaneer, f16 noises from NOISEX-92 DB and Cafeteria noise from ITU-T recommendation P.501
    # were used additionally for the test in mismatched condition
    path_noise_f16 = "datasets/noise/NOISEX/f16.wav"
    path_noise_buccaneer = "datasets/noise/NOISEX/buccaneer1.wav"


    # merge train, test waves to a wave file each 合并训练集和测试集中的语音
    merge_files_n(path_read_train_folder, path_write_train_wav_file)
    merge_files_n(path_read_test_folder,path_write_test_wav_file)

    path_clean_noise = {'path_clean_train_wav': path_write_train_wav_file,
            'path_clean_test_wav': path_write_test_wav_file,
            'path_noise_white_wav': path_noise_white,
            'path_noise_factory_wav': path_noise_factory,
            'path_noise_babble_wav': path_noise_babble,
            'path_noise_machinegun_wav': path_noise_machinegun,
            'path_noise_f16_wav': path_noise_f16,
            'path_noise_buccaneer_wav': path_noise_buccaneer
            }

    generate_noisy_data(path_clean_noise,nSNR)

    # make size of "clean_train" to size of "len(nSNR)*nNoise"
    sr, clean_train = scipy.io.wavfile.read(path_write_train_wav_file)
    clean_train_list=[]

    for i in range(int(nTrain)):
        clean_train_list.append(clean_train)
    clean_train_list=np.hstack(clean_train_list)

    sr, clean_test = scipy.io.wavfile.read(path_write_test_wav_file)
    clean_test_list=[]

    for i in range(int(nTest)):
        clean_test_list.append(clean_test)
    clean_test_list=np.hstack(clean_test_list)

    #clean total
    clean_train_list = np.asarray(clean_train_list, dtype=np.int16)
    wav.write("datasets/timit_clean_selected_train_total.wav", sr, clean_train_list)
    clean_test_list = np.asarray(clean_test_list, dtype=np.int16)
    wav.write("datasets/timit_clean_selected_test_total.wav", sr, clean_test_list)
    del clean_train_list, clean_test_list

    #noise total ，6种信噪比下的纯净噪声
    path_read_folder    = "datasets/timit_noise_selected/"
    path_write_wav_file = "datasets/timit_noise_selected_total.wav"
    merge_files(path_read_folder, path_write_wav_file)

    #noisy train total ，6种信噪比下的混合语音
    path_read_folder    = "datasets/timit_noisy_selected/train/"
    path_write_wav_file = "datasets/timit_noisy_selected_train_total.wav"
    merge_files(path_read_folder, path_write_wav_file)

    # #matched noisy test total  # 测试
    # path_read_folder    = "datasets/timit_noisy/test_match/"
    # path_write_wav_file = "datasets/timit_noisy_test_matched_total.wav"
    # merge_files(path_read_folder, path_write_wav_file)
    #
    # #mismatched noisy test total   # 测试
    # path_read_folder    = "datasets/timit_noisy/test_mismatch/"
    # path_write_wav_file = "datasets/timit_noisy_test_mismatched_total.wav"
    # merge_files(path_read_folder, path_write_wav_file)

 

tiankong_hut
关注
  • 5
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
纯净语音添加噪声
wanli4717的博客
06-26 3316
信噪比计算公式: 另当前信噪比为q，则有如下公式，a表示噪声信号倍数 可以通过上面公式计算出我们需要的a 具体代码如下： #coding:utf-8 import argparse import array import numpy as np import random import wave #define parameter def get_args(): pars...
按照一定的信噪比给wav添加噪声
12-19
按照一定的信噪比dB加入随机噪声 编译：g++ -o addnoise main.cpp -lm usage：./addnoise ori.wav noise.wav dB new.wav for example ：./addnoise hello.wav white_noise.wav 63 new.wav
合成混合语音(纯净语音+噪声)和IBM
S20091103372的专栏
06-28 4158
有纯净语音，有噪声，怎样合成不同信噪比下的混合语音呢？！function mixwav_IBM(S,db,nois) numChan = 64; %通道数 FS = 8000; %数据的采样频率 gamma = gen_gammaton(FS,numChan); ft_env = fir1(1024,[70,400]/FS*2,'bandpass'); [
利用纯净语音和噪声合成不同信噪比的训练数据
热门推荐
YYyyy
03-08 1万+
如题，这应该算是我前往语音这座大山的第一步，在此做出记录。 一、工作背景   由于需要进行单通道降噪的实验，但是现在只有纯净语音和噪声数据，而在阅读文章的过程中，大家并没有将这个细小的内容写道论文中（的确也不应该，做出来之后确实感觉蛮简单的），所以只能自己通过纯净语音和噪声合成自己需要的数据。 二、数据生成   需要复现的实验是基于单通道的语音增强，同时根据张晖老师博士学位论文，在合成数据时使...
噪声混合中的语音，信噪比：将语音信号与所需噪声所需信噪比混合的简单函数-matlab开发
05-29
这是由 G Nike Gnanateja 开发的，用于以不同的信噪比将语音信号与噪声混合。 此功能根据 RMS 信噪比混合语音和噪声信号。 希望你觉得它有用该程序由听力学系初级研究员 G. Nike Gnanateja 编写全印度语音和听力研究所，迈索尔，用于混合语音信号和所需信噪比下的噪声如果您不熟悉 matlab，请尝试以下任何一种1.只需复制整个脚本并将其粘贴到命令窗口中2.全选并按F9（在Windows上） 3.将speechmix1_rev_1.m文件拖到命令窗口如果您希望SNR低于-10dB，请将dbs的值更改为更低值，例如； -5, -2 etc.Change the File name in the wavwrite command if you 想要一个不同的文件名较早版本的变化： 1. 非matlab用户的帮助部分对指令进行了更好的描述2.语音文件选择改为多文件选择
噪声分段&按一定信噪比混合噪声&提取频谱特征
qq_33740167的博客
05-21 1207
def cutNoise(): data_dir = config_s.data_dir # 数据目录 noise_dir = os.path.join(data_dir, 'noise') # 噪声所在目录 noise_files = os.listdir(noise_dir) # 噪声目录下的文件名称列表 for file in noise_files:
不同信噪比SNR语音混合，以及波形图
独钓寒江雪
11-01 1890
代码含有：wav音频读取、语音混合、语谱图 # coding = utf-8 import numpy as np from matplotlib import pyplot as plt import librosa import scipy def SNR(x1, x2): from numpy.linalg import norm return 20 * np.log1...
matlab实现以不同信噪比在干净语音信号中叠加噪声
qq_14962179的博客
11-29 4677
原理公式 信噪比计算公式： 一般情况下我们使用分贝的形式，即单位是dB，其值为对数信号与噪声功率比的十倍。 matlab实现代码 function [y,noise]=add_noise_model(clean_signal,noise_signal,SNR) %clean_signal是干净语音信号 %noise_signal是噪声信号 %SNR是信噪比 [x,fs1]=audioread(...
纯净语音加噪_语音加噪_语音GUI_
10-02
4. **混合噪声**：将生成的噪声与纯净语音信号相混合，形成加噪后的语音样本。 5. **保存加噪语音**：将处理后的加噪语音保存为新的文件，供后续分析或实验使用。 接下来，我们讨论"语音GUI"。`audio.m`是一个图形...
gailen.zip_SNR matlab ECG_心电_心电 信噪比_心电时间序列
07-15
首先，"SNR"（信噪比）是指信号功率与噪声功率的比值，通常用来评估信号的纯净度。在心电图信号处理中，高SNR意味着信号中携带的信息更清晰，更容易分析。提高SNR的方法包括滤波、降噪算法以及正确的采样策略。在...
以任何信噪比(SNR)将音频文件与噪声文件混合_Python_下载.zip
04-27
以任何信噪比(SNR)将音频文件与噪声文件混合_Python_下载.zip
语音增强分离相关算法代码_语音分离
09-23
同时，为了更好地理解和评估算法的效果，通常需要准备相应的测试数据集，包括纯净语音、噪声样本以及混合后的语音。 总结来说，"语音增强分离相关算法代码_语音分离"这一主题涵盖了语音处理中的关键技术，其相关的...
利用python 在音频中加入指定SNR的噪声
bo17244504的博客
05-13 2560
​ 在声音分类中常常需要 在声音中加入指定SNR的噪声， 本文提供增加指定SNR的加性高斯白噪声（ Additive White Gaussian Noise (AWGN)）的代码。 ​
【语音降噪】Denoiser（Pytorch）
化甘
07-10 2673
文章目录ReferenceGit CloneInstallationDenoisingTrainL1 -> SiSNR Reference 【Denoiser Github主页】https://github.com/facebookresearch/denoiser#4-denoising 【Denoiser论文】Real Time Speech Enhancement in the Waveform Domain: https://arxiv.org/pdf/2006.12847.pdf Git C
语音数据添加噪声
qq_25368751的博客
04-05 1646
如果需要模拟真实世界中的环境噪声，例如在语音识别或说话人识别任务中，通常会使用高斯噪声来模拟背景噪声。因为真实的环境噪声往往也是由许多不同频率和强度的声波混合而成，而高斯噪声正好能够模拟这种混合声波的效果。此外，由于语音信号与高斯噪声之间存在一定的相关性，因此使用高斯噪声可以更好地模拟真实环境中的语音信号。另一方面，如果需要测试语音信号对于不同频率成分的敏感性，或者需要进行音频处理算法的性能评估，白噪声则是更好的选择。此外，由于白噪声具有平均分布的特性，可以更好地模拟纯随机信号。
基于混合模型的语音降噪效果提升
谈谈音频开发
07-19 529
上篇文章（基于混合模型的语音降噪实践）实践了基于混合模型的算法来做语音降噪，有了一定的降噪效果。本篇说说怎么样来提升降噪效果。 算法里会算每个音素的高斯模型参数，也会建一个音素分类的神经网络模型。这些都是依赖于音素对齐的，音素对齐做的越好，每个音素的高斯模型越准确，音素分类模型越收敛准确率越高，从而算法的降噪效果越好。先前做音素对齐用的是开源工具speech-aligner，怎么样让音素对齐做的更好呢？自己做不太现实（不仅周期长，而且相关专业知识积累有限），还得依赖专业工具。调研下来MFA(Montr
DNN语音增强||降噪
qq_33740167的博客
05-19 3452
获取干净语音及噪声语音数据，可以使用soundfile中的read函数； 处理语音数据，主要是因为噪声和干净语音的长度不一致，而对干净语音加噪时，需要保证噪声和干净语音的长度一致，以防数据处理时，数组不一致，因此需要选取与干净语音长度一致的噪声（随机选取）； 按一定信噪比将干净语音和噪声混合，以获取加噪语音； 提取频谱特征（STFT、MFCC等，选其一，可根据不同的方法提取不同的特征以提高降噪效果）； 降噪：采取不同的降噪方法，如IRM、IBM、cIRM等； 合成降噪后的语音，与干净语音对比，分析降噪效果.
守望先锋资讯小程序(源码).zip
07-28
守望先锋资讯小程序(源码).zip
无人智能化关键技术及其在火炮系统中的应用_常建龙.caj
最新发布
07-28
无人智能化关键技术及其在火炮系统中的应用_常建龙
信噪比snr和ebn0
05-12
信噪比（Signal-to-Noise Ratio，简称SNR）和信噪比比特率（Eb/N0）是无线通信中常用的两个指标。 SNR是指信号与噪声的比值，通常用dB表示。它反映了信号在传输过程中所受到的噪声的影响程度，即信号质量的好坏。SNR越高，信号质量越好，通信质量越高。 而Eb/N0则是指信号能量与噪声功率谱密度的比值，同样以dB为单位。它是一个比特传输速率的关键参数，因为它直接决定了系统的误码率（BER）。当Eb/N0越高，误码率越低，通信质量越好。 因此，SNR和Eb/N0都是评估无线通信中信号质量的重要指标，但它们所关注的方面略有不同，SNR更着重于信号质量，而Eb/N0则更关注误码率。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值