stoi函数_训练监督语音分离系统来直接提高STOI和PESQ——学习笔记

《TRAINING SUPERVISED SPEECH SEPARATION SYSTEM TO IMPROVE STOI AND PESQ DIRECTLY》

Zhang H , Zhang X , Gao G . Training Supervised Speech Separation System to Improve STOI and PESQ Directly[C]// ICASSP 2018. 2018.

我还是将从存在的问题，作者提出的解决方法，方法具体内容，实验，这四个方面阐述。

存在的问题：

1. 监督语音分离方法希望将嘈杂的语音投射到目标纯净语音，一般都使用均方误差（MSE）来作为损失函数。但MSE并不匹配人类的听觉感知，所以不是一个最优选择。具体如下：

• MSE通常假定背景噪声是平稳的，即其频谱特性不会随时间变化，或者至少比语音平稳。因此，很难跟踪非平稳噪声，这限制了其在现实环境中的应用
• MSE会导致语音轨迹过分平滑，并可能导致声音质量低下和清晰度下降。因为MSE度量是分别从每个时频单元而不是整个频谱轨迹中得出的。
• MSE同等对待了参与评估的所有元素。例如，对于语音清晰度而言，可区分手机更为重要；对语音质量而言，孤点的危害更大，这可能会导致噪声。

2. 应该如何定义损失函数，并利用损失函数进行训练。

作者提出的解决方法：

为了弥补MSE的不足，新的损失函数应将整个语音或长时间语音考虑在内，并根据人类的听觉感知对估计元素赋予不同的权重。介于短时目标清晰度（STOI）与语音质量的感知评估（PESQ）经常作为语音分离研究中的评价标准，并且一般是整体的考虑整个语