基于非因果先验信噪比估计的语音增强改进算法

为提高MMSE-LSA语音增强算法在低信噪比下的语音增强效果,提出一种改进的MMSE-LSA算法。该算法采用非因果先验信噪比估计法来估计先验信噪比,并引入无语音概率的思想,对增益函数进行改进。实验结果表明,相比传统MMSE-LSA算法,改进算法能更好地抑制残留噪声,提高语音的信噪比,增强效果更好。     

基于TEO能量谱减法的语音增强技术的研究

谱减法是目前减少噪声干扰、提高语音质量的一种有效方法。为了进一步提高谱减法的去噪性能,提出一种基于TEO(Teager Energy Operator)能量的改进谱减法。该方法利用TEO能量对带噪语音进行语音活动检测,区别出噪声段和语音段,对噪声段和语音段分别进行谱减处理,既保证了语音质量,又尽可能地消除了噪声干扰。在F16战斗机噪声环境中对算法性能进行测试,结果表明,该方法提高了输出信噪比,抑制了音乐噪声,具有良好的语音增强效果。     

基于循环神经网络的实时语音增强算法

基于循环神经网络的RNNoise语音增强算法在非稳态噪声环境中有着优良的噪声抑制效果,但在应对未知噪声时,存在增益估计偏差、频带增益估计过平滑的问题,而基于统计模型的MMSE-LSA语音增强算法,在噪声估计不准确的情况下,也能取得良好的噪声抑制效果.为结合两者的优良特性,将RNNoise中的频带增益估计转换为频带先验信噪比作为神经网络的输入特征,结合基音检测算法修正谐波增益,提出一种可抗非稳态噪声的实时语音增强算法MMSE-RNNoise.对比实验验证了改进算法的可行性,其实时语音增强性能有了一定提升.     

基于MMSE-LSA语音增强算法在非平稳环境下的研究与实现

讨论了非平稳环境下基于语音短时对数谱的最小均方误差(MMSE-LSA)估计的语音增强算法.众所周知,语音信号为时变信号,在假设语音频谱分布为高斯分布的前提下,实验的工作重点是将MMSE-LSA算法与其它语音增强算法(以谱相减的语音增强为例)比较.实验结果表明:该MMSE-LSA算法的语音增强效果很好,特别是在信噪比低时的非平稳环境下效果更为明显.     

非因果先验信噪比估计的LSA算法改进

对于大多数的语音增强算法,先验信噪比及背景噪音频谱估计的准确与否,对语音增强的效果影响至关重要.为此,在传统MMSE-LSA算法的基础上,提出一种基于非因果先验信噪比估计的LSA 改进算法,较好地弥补了传统 LSA 算法在先验信噪比上估计的不足,同时采用平滑系数动态更新噪音频谱值,使估计值能更好地跟踪噪音的变化.实验结...     

一种基于快速噪声估计的MMSE语音增强算法

提出一种基于快速噪声估计的MMSE语音增强算法,实验表明这种算法比起谱相减法和基于语音短时对数谱的最小均方误差（MMSE-LSA）算法能更显著地提高算法的客观性能,在非平稳噪声环境中能快速估计出变化的噪声功率谱。     

短时TEO能量在带噪语音端点检测中的应用

语音端点检测是语音识别系统的一个重要组成部分,特别是在噪声环境下,其准确性直接影响到语音识别系统的计算复杂度和识别性能。提出了一种在噪声环境下基于短时TEO能量的语音信号端点检测方法,采用了双门限-三态转换判决机制以保证算法在噪声环境下的端点检测准确性和对信号绝对幅度变化的稳健性。实验结果表明,与传统的短时能量法和谱熵法相比,该算法在低信噪比情况下具有更好的端点检测能力,显示了算法的优越性。     

基于功率谱差分和TEO的语音端点检测

端点检测是语音识别中一个重要的环节。当信噪比较低时,传统的基于短时能量和短时过零率的端点检测方法不能有效地工作。由于Teager能量算子TEO(Teager Energy Operator)和差分算法可以有效地抑制噪声,因此,提出了一种基于TEO和差分算法的端点检测方法。实验证明,该算法在信噪比较低的情况下,能够随着环境自适应门限,准确地检测出语音信号。通过对两种不同的端点检测算法的比较,证明了基于差分和Teager能量算子的算法的检测正确率较高。     

一种基于实时噪声估计的改进谱减法

针对非平稳噪声环境和低信噪比下的语音增强,提出了一种基于实时噪声估计的改进谱减法。该方法首先利用临界带特征矢量距离进行端点检测,然后利用低频区和高频区带噪语音特性定义一个时变的调节系数,该系数结合端点检测可以实时地对噪声的估计值进行更新,从而达到快速跟踪外界环境变化的目的。仿真结果表明,该方法在抑制背景噪声、提高信噪比、减少语音失真等方面优于传统的语音增强方法。     

语音识别系统中语音活动性检测方法的研究

针对当前语音活动性检测技术中传统方法普适性差和在低信噪比下检测性能陡降的问题,研究了在低信噪比强噪声（平稳和非平稳）环境下的语音时频增强相和基于改进谱熵能量的活动性检测相结合的语音识别系统的研究。首先估计背景噪声能量,分别对语音信号进行频域和时域的增强处理;然后利用一种鲁棒性更好的特征参数来判断语音端点。验证结果,表明,该方法在平稳和非平稳两类噪声环境下均具有较好的检测性能,其应用范围更广泛。