一文看懂Griffin_lim声码器

Griffin_lim算法详解

声码器

声码器是语音分析和合成的一一种工具，目前主要用来将将声学参数转换成语音波形，即合成。
常见的传统声码器有 WORLD, STRAIGHT及其变种等； 还有目前较火的神经网络声码器，如WaveNet，一种可训练的基于深度神经网络的声码器，可生成高质量的语音波形。

GL算法

Griffin_lim声码器是将语谱图转回波形的一种算法。主要思想为已知幅度谱，未知相位谱，通过迭代生成相位谱，并用已知的幅度谱和计算得出的相位谱，重建语音波形。因为常见的特征MEL-spectrum 和 linear-spectrum里面节缺少相位信息。
由1984年的这篇文章提出：
Griffin, Daniel, and Jae Lim. “Signal estimation from modified short-time Fourier transform.” IEEE Transactions on Acoustics, Speech, and Signal Processing 32.2 (1984): 236-243

算法步骤

就是一个迭代算法，利用帧frame之间相位的约束来实现迭代收敛。

1. 幅度谱Amplitude矩阵A1已知 ，无相位谱，所以先随机初始化一个相位谱w1；
2. 用相位谱和已知的幅度谱经过IFFT，得到时域信号y1（此时相位并不准确）；
3. 对该时域信号再做STFT得y2，计算y2的幅度谱A2和相位谱为w2；
4. 用新的相位谱w2和原幅度谱A1再IFFT，得到时域信号y3，如此重复。

代码实现

def griffin_lim(S, hparams):
    '''librosa implementation of Griffin-Lim
    Based on https://github.com/librosa/librosa/issues/434
    '''
    angles = np.exp(2j * np.pi * np.random.rand(*S.shape))#随机生成相位谱w1
    S_complex = np.abs(S).astype(np.complex)# A1
    y = _istft(S_complex * angles, hparams) # y1
    for i in range(hparams.griffin_lim_iters):
        angles = np.exp(1j * np.angle(_stft(y, hparams))) #w2,w3...
        y = _istft(S_complex * angles, hparams) #y2,y3...但已知是A1 
    return y

数学推导

上图最后得到的更新方程如下：

其中：