Phase-Aware Deep Speech Enhancement: It’s All About The Frame Length

[arXiv:2203.16222v1]

Motivation

研究发现，大多数帧长在32 ms左右的窄频带STFT方法显示相位对整体性能的影响相当有限。与此同时，基于现代深度神经网络(DNN)的方法，如Conv-TasNet，隐式地修改幅度和相位，在非常短的帧(2ms)上产生了良好的性能。基于这一观察结果，作者提出疑问：哪一帧长度对基于stft的相位感知语音增强DNN最有利，并对此进行了系统的研究。

Method

A  Preliminaries

时域信号x(n)的STFT计算方法是将信号分割成长度为M、位移为h的重叠帧。对每一帧应用一个实值乘法窗函数w(n)，然后用离散傅里叶变换(DFT)将其变换到频域。假设采用单边m点DFT，得到复谱图X，定义为

其中k是频率索引，l是帧索引，k = m/2 + 1是频率箱的数量，