本发明涉及语音处理技术领域，尤其涉及一种回声消除方法、装置、电子设备及计算机可读存储介质。
背景技术：
回声消除最早是应用在音频通话系统中。在通话的两端，一端的声音经过线路传到另一端，并通过另一端的扬声器播放出去，另一端的麦克风会接收扬声器播放的声音，与此同时由于房间内的地板、墙壁、其他物体的定向和反射，麦克风除了接收到扬声器播放的直达声之外还会接收到各种反射声，这种混合声音会传回给说话的那一端，这就是所谓的声学回声问题，它会干扰人们的谈话，降低系统的质量，这是通信网络中常见的问题。而在智能语音设备中，设备自身播放的音频会被自身的麦克风接收，也存在回声问题，若不能消除，则会影响音频质量，进而影响语音识别率，降低用户体验。
在语音交互和语音通话等场景中，回声消除性能的好坏直接影响后端语音识别率和用户的听感体验，是语音技术的关键核心技术。
技术实现要素：
根据本公开的一方面，提供了一种回声消除方法，包括：
接收近端混合信号和对应的参考通道的远端信号；
对所述近端混合信号和所述远端信号分别进行编码，得到编码后的近端混合信号语谱图和编码后的远端信号语谱图，并将编码后的近端混合信号语谱图和编码后的远端信号语谱图进行拼接，得到拼接的后语谱图；
根据所述拼接的后语谱图提取多尺度特征；
根据所述编码后的近端混合信号语谱图提取深度特征；
根据所述深度特征计算所述多尺度特征的每一层特征的权重；
利用所述每一层特征的权重对对应的特征进行加权处理，得到合并后的多尺度特征；
根据所述合并后的多尺度特征和所述深度特征获取近端信号估计。
根据本公开的另一方面，提供了一种回声消除装置，包括：
接收模块，用于接收近端混合信号和对应的参考通道的远端信号；
编码模块，用于对所述近端混合信号和所述远端信号分别进行编码，得到编码后的近端混合信号语谱图和编码后的远端信号语谱图，并将编码后的近端混合信号语谱图和编码后的远端信号语谱图进行拼接，得到拼接的后语谱图；
第一提取模块，用于根据所述拼接的后语谱图提取多尺度特征；
第二提取模块，用于根据所述编码后的近端混合信号语谱图提取深度特征；
计算模块，用于根据所述深度特征计算所述多尺度特征的每一层特征的权重；
加权模块，用于利用所述每一层特征的权重对对应的特征进行加权处理，得到合并后的多尺度特征；
获取模块，用于根据所述合并后的多尺度特征和所述深度特征获取近端信号估计。
根据本公开的另一方面，提供了一种电子设备，包括：
处理器；以及
存储程序的存储器，
其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据上述方面中任一项所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述方面中任一项所述的方法。
本公开实施例中提供的一个或多个技术方案，可以实现语音交互和语音通话等场景中，回声有效消除。
附图说明
在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：
图1示出了根据本公开示例性实施例的回声消除方法的流程图；
图2示出了根据本公开示例性实施例的回声消除网络结构示意图；
图3示出了根据本公开示例性实施例的回声消除数据准备示意图；
图4示出了根据本公开示例性实施例的1-dconvblock模型结构示意图；
图5示出了根据本公开示例性实施例的回声消除装置的示意性框图；
图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
在语音交互和语音通话等场景中，回声消除性能的好坏直接影响后端语音识别率和用户的听感体验，是语音技术的关键核心技术。目前常用的方法是采用webrtc的方法，即：首先利用时延估计算法对齐近端和远端的数据；之后采用自适应滤波器完成对回声的估计，从而消除线性回声；最后利用非线性处理完成对残余回声的抑制。虽然非线性处理可以在一定程度上抑制这种残余回声，但是抑制程度有限，仍然存在一定的残余回声，特别是复杂环境中的回声，且滤波器无法快速跟踪房间冲激响应的变化，从而影响最终的回声消除效果，进而影响整个声音信号处理的性能。
针对以上问题，在本实施例中提供了一种回声消除方法，可以用于智能手机，还可用于便携式平板电脑等具有语音处理功能的智能设备（电子设备）。图1示出了根据本公开示例性实施例的回声消除方法的流程图，如图1所示，该流程包括如下步骤：
步骤s101，接收近端混合信号和对应的参考通道的远端信号。具体地，可以直接输入近端麦克风接收的近端混合信号和参考通道的远端信号。
步骤s102，对近端混合信号和远端信号分别进行编码，得到编码后的近端混合信号语谱图和编码后的远端信号语谱图，并将编码后的近端混合信号语谱图和编码后的远端信号语谱图进行拼接，得到拼接后的语谱图。
步骤s103，根据拼接后的语谱图提取多尺度特征。例如，可以采用膨胀时域卷积网络提取多尺度的特征。本领域技术人员应当知晓，该提取多尺度特征的方式并非用于限制本实施例，根据实际需要采用其他方式亦在本实施例的保护范围之内。
步骤s104，根据编码后的近端混合信号语谱图提取深度特征。
步骤s105，根据深度特征计算多尺度特征的每一层特征的权重。以用于提高多尺度特征中的重要特征同时抑制非重要特征。
步骤s106，利用每一层特征的权重对对应的特征进行加权处理，得到合并后的多尺度特征，进而提高了多尺度特征中的重要特征同时抑制了非重要特征。
步骤s107，根据合并后的多尺度特征和深度特征获取近端信号估计。
通过上述步骤，采用端到端方式实现，提取输入音频的多尺度特征，并利用多尺度特征进行回声消除，回声抑制能力强，对频谱损失小。
上述步骤s103涉及根据拼接的后语谱图提取多尺度特征，在一些可选实施例中，如图2所示，可以将拼接的后语谱图输入至消除器模块中的多尺度特征提取模块，该多尺度特征提取模块由多组膨胀卷积构成，每一组膨胀卷积包括多个卷积块，由多尺度特征提取模块根据拼接的后语谱图提取每一层的多尺度特征。
上述步骤s104涉及根据编码后的近端混合信号语谱图提取深度特征，在一些可选实施例中，如图2所示，可以将编码后的近端混合信号语谱图输入至消除器模块中的第一长短期记忆网络，由第一长短期记忆网络根据编码后的近端混合信号语谱图提取上述深度特征。
上述步骤s105涉及根据上述深度特征计算多尺度特征的每一层特征的权重，在一些可选实施例中，如图2所示，可以将深度特征作为query，将多尺度特征的每一层特征作为key和value，利用多头注意力机制计算多尺度特征每一层特征的权重。
上述步骤s106涉及利用每一层特征的权重对对应的特征进行加权处理，得到合并后的多尺度特征，在一些可选实施例中，如图2所示，可以通过多头注意力机制将每一层特征的权重与对应的特征相乘并叠加，得到合并后的多尺度特征。
上述步骤s107涉及根据合并后的多尺度特征和该深度特征获取近端信号估计，在一些可选实施例中，如图2所示，可以将合并后的多尺度特征和上述深度特征进行拼接后，输入消除器模块中的第二长短期记忆网络，得到上述近端信号估计。
在一些可选实施例中，如图2所示，将该合并后的多尺度特征和该近端信号估计进行拼接之后输入至分类器，由该分类器判断是否有远端信号或者近端信号。
消除器模块训练所需数据准备如下图3所示，上述消除器模块是通过如下步骤训练得到的：从数据库中选择不同人的语音分别作为近端信号样本（near-end）和远端信号样本（far-end），将远端信号样本依次经过非线性处理模块（non-linearprocessing，简称为nlp）和房间冲激响应（roomimpulseresponse，简称为rir）的处理，分别模拟喇叭引入的非线性和环境引入的混响，进而得到回声信号样本echo，将近端信号样本和回声信号样本叠加，于此同时叠加一定的噪声，从而得到近端麦克风接收的近端混合信号样本mixture，将近端混合信号样本mixture和远端信号样本（far-end）作为消除器模块的输入，将近端信号样本（near-end）作为消除器模块的最小均方误差损失函数的学习目标，对消除器模块进行训练。
如图3所示，在一些可选实施例中，继续对消除器模块进行训练，计算回声信号样本的能量和近端信号样本的能量，分别将回声信号样本的能量和近端信号样本的能量与预定阈值进行比较，得到第一数值和第二数值，作为双端检测结果标签。例如，大于预定阈值为“1”，小于预定阈值为“0”，从而得到双端检测结果class，即：只有静音（“00”）、只有远端信号（“01”）、只有近端信号（“10”），双端都存在信号（“11”）。将近端混合信号样本和远端信号样本作为消除器模块的输入，将双端检测结果标签class作为消除器模块的交叉熵损失函数的学习目标。
网络训练目标有两个，一个是针对近端信号估计精度，目标是最小化近端信号估计与真实近端信号之间的最小均方误差（minimummeansquareerror，简称为mse），定义如下：
其中，
另一个学习目标是分类，目标是最小化估计得到的分类与真实标签分类之间的交叉熵损失函数，即：
其中，
网络总损失函数为分类交叉熵损失函数与mse损失函数加权平均结果，即：
其中，
在一些可选实施例中，如图2所示，将近端信号估计输入至掩码估计模块，得到近端混合信号中纯粹近端信号每个时频点的mask值，将每个时频点的mask值与编码后的近端混合信号语谱图相乘得到近端信号语谱图，将近端信号语谱图输入至一维卷积的解码器得到近端信号的时域波形。
下面参照图2结合一些完整的可选实施例进行详细说明。
主要功能模块回声消除网络如下图2所示，主要包括4个模块：音频编码模块（encoder）、音频编码模块（decoder）、消除器模块（canceller）、分类器模块（classifier）。
音频编码模块（encoder）是一个一维卷积模块。
消除器：包括一个层归一化、一个一维卷积，两个lstm层、多组膨胀卷积层和一个注意力机制模块。每一组膨胀卷积包含x个一维卷积块1-dconvblock，每个卷积块的膨胀率（dilation）按照2的指数增大，即：2i-1(i表示第i个卷积块，取值=1,…,x)，根据是否因果卷积，填充0的数量为：因果情况：(dilation*(kernel_size-1))/2；非因果情况为dilation*(kernel_size-1)，每一个1-dconvblock结构如图4所示。假定多尺度特征提取的特征表示如下：
其中，s表示每一层输出的特征维度，t表示时间步数，j=m*r表示总的层数，m是每一组堆叠膨胀卷积的层数，r表示共重复堆叠了r组（每一组包含m层）。
注意力机制：计算lstm提取的近端混合信号的深度特征与多组膨胀卷积每一层提取的特征的相似度，得到对应层的权重，将该权重乘以对应层的特征之后直接叠加得到一个加权后的深度特征。注意力机制采用标准的多头注意力机制，即：
其中，q，k，v分别表示注意力机制的query，key和value；
lstm层：第一个lstm提取近端混合信号的深度特征；第二个lstm根据第一个lstm提取的近端混合信号的深度特征以及注意力机制得到的深度特征计算近端语音信号的深度特征。
掩码模块：由一个prelu激活函数、一个一维卷积层（1x1conv）和sigmoid激活函数组成；根据lstm估计的近端语音信号的深度特征得到近端混合信号中近端语音的mask。
分类器：由一个线性层和一个softmax层组成；根据注意力机制得到的深度特征和lstm得到的近端语音特征估计每个时间步近端和远端出现信号的概率。
解码器decoder：由一个转置卷积网络构成，对输入进行解卷积得到时域信号。
网络结构配置如表1所示，其中，f表示encoder的输出通道数；l表示encoder的卷积核大小；瓶颈层输出通道数为e，多尺度特征的每一组1-dconvblock数量为m，一共堆叠了r组；分类器的输入通道为2*e，输出通道数为c，即：将音频分为c个类别；masking的输出通道为f，其中f表示encoder的输出通道数。
表1
1-dconvblock模型结构如下图4所示，将常规卷积拆分成一个逐点卷积（pointwiseconvolution）和一个深度卷积（depthwiseconvolution），采用parametricrectifiedlinearunit（prelu）作为激活函数，其表达式如下所示，每一次卷积之后对数据进行归一化操作，最后输出分为两路，每一路经过一个1x1conv进行维度变换，output支路与输入进行叠加提高网络深度，skip-out支路的输出作为该模块的输出特征，该特征将与后面堆叠的特征进行拼接送给分类器。
为了保证分离网络对输入语音的幅度不敏感，在进行多尺度映射之前需要对输入特征进行归一化操作。
非实时场景下，层归一化可以采用全局层归一化，即：特征在通道和时域都做归一化，表达式如下：
其中，
实时场景下，层归一化可以采用累积层归一化，即：对连续输入特征进行层归一化，表达式如下：
其中，
编码器encoder将一维时域输入音频变换到二维语谱图；近端混合信号(mixture)与远端信号（far-end）经过编码器后得到的语谱图送入消除器模块。消除器首先采用层归一化对输入幅度进行归一化，之后经过一个一维卷积对输入维度进行压缩（即：瓶颈层），最后将近端混合信号与远端信号拼接之后送入一个多尺度特征提取模块，多尺度特征提取模块对输入特征进行多尺度的特征提取，对每个尺度下提取的特征进行拼接，组成一个多尺度特征组；与此同时，近端混合信号经过维度压缩之后采用长短期记忆网络（longshort-termmemory，简称为lstm）提取深度特征，该深度特征作为注意力机制（attention）的query（查询），与每一层提取的多尺度特征进行相似度计算，得到每一层特征的权重，之后对每一层的特征进行加权；在计算attention的时候，lstm提取的特征作为query，多尺度特征提取模块每一层提取的特征作为key和value。采用标准的多头注意力机制计算多尺度特征每一层特征的权重，进而利用该权重乘以对应的特征并叠加得到合并后的多尺度特征；该多尺度特征与lstm提取的近端混合信号的特征进行拼接之后送入另一个lstm得到对近端混合信号特征的估计。将近端混合信号的估计以及注意力机制的输出进行拼接之后送入分类器，判断近端和远端是否有信号。lstm输出的近端估计特征送入掩码估计模块（即：包括一个prelu激活函数、一个一维卷积（1-dconv）和一个sigmoid激活函数）得到近端混合信号中纯粹近端信号每个时频点的mask值，将该mask值与近端混合信号编码后的语谱图相乘得到近端信号的语谱图，将该近端信号的语谱图送入由一维卷积构成的decoder中得到对应的近端信号的时域波形。
在本实施例中还提供了一种回声消除装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”为可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种回声消除装置，如图5所示，包括：
接收模块51，用于接收近端混合信号和对应的参考通道的远端信号；
编码模块52，用于对所述近端混合信号和所述远端信号分别进行编码，得到编码后的近端混合信号语谱图和编码后的远端信号语谱图，并将编码后的近端混合信号语谱图和编码后的远端信号语谱图进行拼接，得到拼接的后语谱图；
第一提取模块53，用于根据所述拼接的后语谱图提取多尺度特征；
第二提取模块54，用于根据所述编码后的近端混合信号语谱图提取深度特征；
计算模块55，用于根据所述深度特征计算所述多尺度特征的每一层特征的权重；
加权模块56，用于利用所述每一层特征的权重对对应的特征进行加权处理，得到合并后的多尺度特征；
获取模块57，用于根据所述合并后的多尺度特征和所述深度特征获取近端信号估计。
本实施例中的回声消除装置是以功能单元的形式来呈现，这里的单元是指asic电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本公开示例性实施例还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。
本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器（rom）602中的计算机程序或者从存储单元608加载到随机访问存储器（ram）603中的计算机程序，来执行各种适当的动作和处理。在ram603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom602以及ram603通过总线604彼此相连。输入/输出（i/o）接口605也连接至总线604。
电子设备600中的多个部件连接至i/o接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元604可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元（cpu）、图形处理单元（gpu）、各种专用的人工智能（ai）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（dsp）、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理。例如，在一些实施例中，回声消除方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom602和/或通信单元609而被载入和/或安装到电子设备600上。在一些实施例中，计算单元601可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行回声消除方法。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦除可编程只读存储器（eprom或快闪存储器）、光纤、便捷式紧凑盘只读存储器（cd-rom）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，crt（阴极射线管）或者lcd（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（lan）、广域网（wan）和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
