在复杂的声学应用场景中,语音信号易受到环境噪声与房间混响的影响,给自动语音识别和语音通信带来较大的干扰。尽管目前基于深度学习的单通道语音增强方法可有效抑制干扰成分,但这些方法的网络参数量较大且运算复杂度较高,难以应用于低功耗设备。
对此,中国科学院声学研究所噪声与振动重点实验室研究生李安冬、研究员郑成诗等,提出一种基于卷积循环的单通道渐进语音增强方法,在保持增强性能不变的前提下,减小了参数量并降低了运算复杂度。相关研究成果线发表在 Applied Acoustics 上。
研究人员在卷积循环神经网络基础上将增强过程分解为多个子阶段,在每个子阶段中进行轻量级模块建模并提升一部分语音的信噪比,从而在后续阶段中能够把之前阶段的输出作为先验信息,逐步提升后续处理结果。同时通过在不同阶段复用LSTM(Long and Short-Term Memory)模块的方式减小参数量。
科技动态
1、中科院16项专利获得第二十一届中国专利奖
2、合肥综合性国家科学中心启动建设地球和空间前沿研究基地
3、中科院与湖北省政府签署科技合作协议 共建东湖科学中心等一批重大园区和平台
领取专属 10元无门槛券
私享最新 技术干货