研究动机
大多数的语音增强方法都是考虑了带噪语音和纯净语音之间的关系,但是没有考虑到噪声。为了处理很多种噪声场景,本文引入了一种·新的噪声结构,将噪声的高维特征用于到自动微分编码器。在这篇文章中,加入了一个CLN的归一化层来处理噪声,提高模型的泛化性能。
INTRODUCTION
因为很多增强方法只考虑从带噪语音中评估纯净语音。但是,很多的噪声类型不匹配问题会出现,为了解决这个问题,就把噪声的高维特征当作一个额外的条件送入到网络里面。
这篇论文中,作者们提出了一个新的条件归一化方法,在时域上进行处理。带噪的音频送入到一个噪声估计忘了中提取到噪声的高维特征,之后将高维特征进行降维,送到增强网络里面。
提出的方法中,整个结构是由噪声估计网络、CNN网络,一个增强网络,增强网络包含了输入层,编码器,解码器和输出层。
把噪声网络估计到的噪声高维特征进行降维后,送入到CLN层,CLN是由线性层和归一化操作组成。
下面是噪声估计网络和降维的网络:
数据准备
用的是TIMIT数据集,训练集、验证集和测试集分别是1000,200,100句。噪声数据集来源于NOISE-92和一个非语音的数据集作为训练的噪声。信噪比分别是-5,10,1分贝。每一条语句用三种信噪比和4种噪声类型混合。测试的时候是分看得见和看不见的情况。
时域是2048个采样点,1024个窗移。用到的SM损失采样点是512,256是窗移。
实验结果
实验结果包含看得见和看不见两种情况:
总结
这篇文章比较新颖的地方是考虑到了噪声,把噪声当作一种条件来进行处理,可以处理多种噪声场景。但是在输入到增强网络中只用到了噪声的高维特征表示,没有用到最终的噪声估计结果。