一种语音信号降噪处理方法、装置和计算机可读介质与流程

1.本发明主要涉及信息技术领域，尤其涉及一种语音信号降噪处理方法、装置和计算机可读介质。


背景技术：

2.语音降噪在视频录音录像、手机通话、户外直播、蓝牙耳机通话、车载通话等场景中应用广泛。人耳的耳蜗实质上的作用相当于一个滤波器组，耳蜗的滤波作用是在对数频率上进行的，在特定数值范围以下为线性尺度，在特定数值范围以上则为对数(logarithm)尺度，这就使得人耳对低频信号更加敏感。基于这一特征，可对语音信号进行处理，实现对语音信号更好的进行降噪。


技术实现要素：

3.本发明要解决的技术问题是提供一种语音信号降噪处理方法、装置和计算机可读介质，实现对语音信号更有效的降噪，同时保持语音信号中有效信号的清晰程度。
4.为解决上述技术问题，本发明提供了一种语音信号降噪处理方法，包括以下步骤：
5.获取第一神经网络计算模型；生成梅尔带通滤波器，并基于所述梅尔带通滤波器得到梅尔带通滤波器的逆变换；将所述梅尔带通滤波器作为所述第一神经网络计算模型的输入层，将所述梅尔带通滤波器的逆变换作为所述第一神经网络计算模型的输出层，形成第二神经网络计算模型；其中，所述第二神经网络计算模型使用与第一神经网络计算模型相同的数据集和训练方法训练形成；对所述语音信号进行预处理，得到第一输入信号；将所述第一输入信号输入已加载训练完毕的网络权重参数的所述第二神经网络计算模型，得到第二输出信号；基于所述第一输入信号和所述第二输出信号得到降噪后语音信号。
6.在本发明的一实施例中，将所述梅尔带通滤波器作为所述第一神经网络计算模型的输入层，将所述梅尔带通滤波器的逆变换作为所述第一神经网络计算模型的输出层，形成第二神经网络计算模型包括：
7.如果所述第一神经网络计算模型在所述语音信号的频率维度上不进行下采样操作和上采样操作，则将所述梅尔带通滤波器连接至所述第一神经网络计算模型的输入端之前作为新的输入层，将所述梅尔带通滤波器的逆变换连接至所述第一神经网络计算模型的输出端之后作为新的输出层，形成的新的神经网络作为所述第二神经网络计算模型。
8.在本发明的一实施例中，将所述梅尔带通滤波器作为所述第一神经网络计算模型的输入层，将所述梅尔带通滤波器的逆变换作为所述第一神经网络计算模型的输出层，形成第二神经网络计算模型包括：
9.如果所述第一神经网络计算模型在所述语音信号的频率维度上进行下采样操作和上采样操作，但采样操作的频点数未达到频率维度达到只剩余一个频点的采样极限情形，则将所述梅尔带通滤波器连接至所述第一神经网络计算模型的输入端之前作为新的输入层，将所述梅尔带通滤波器的逆变换连接至所述第一神经网络计算模型的输出端之后作
为新的输出层，形成的新的神经网络作为所述第二神经网络计算模型。
10.在本发明的一实施例中，将所述梅尔带通滤波器作为所述第一神经网络计算模型的输入层，将所述梅尔带通滤波器的逆变换作为所述第一神经网络计算模型的输出层，形成第二神经网络计算模型包括：
11.如果所述第一神经网络计算模型在所述语音信号的频率维度上进行下采样操作和上采样操作，且采样操作的频点数达到频率维度达到只剩余一个频点的采样极限情形，则将所述梅尔带通滤波器连接至所述第一神经网络计算模型的输入端之前作为新的输入层，且去除一层具有下采样功能的网络层；将所述梅尔带通滤波器的逆变换连接至所述第一神经网络计算模型的输出端之后作为新的输出层，并去除一层具有上采样功能的网络层，形成的新的神经网络作为所述第二神经网络计算模型。
12.在本发明的一实施例中，将所述梅尔带通滤波器作为所述第一神经网络计算模型的输入层，将所述梅尔带通滤波器的逆变换作为所述第一神经网络计算模型的输出层，形成第二神经网络计算模型包括：
13.将所述第一神经网络计算模型的原输入层替换为梅尔带通滤波器，作为新的输入层，将所述第一神经网络计算模型的原输出层替换为梅尔带通滤波器的逆变换，作为新的输出层，形成的新的神经网络作为所述第二神经网络计算模型。
14.在本发明的一实施例中，所述梅尔带通滤波器的逆变换通过求解所述梅尔带通滤波器对应的梅尔带通滤波器系数矩阵的逆矩阵得到。
15.在本发明的一实施例中，所述梅尔带通滤波器的逆变换通过运用全连接神经网络进行学习，获取所述梅尔带通滤波器对应的梅尔带通滤波器系数矩阵的逆矩阵得到。
16.在本发明的一实施例中，在所述全连接神经网络之后，连接一个后处理卷积层，对所述全连接神经网络的参数进行调整操作，作为所述梅尔带通滤波器的逆变换；
17.其中，所述语音信号经过所述后处理卷积层之后，所述语音信号频率维度的特征维数保持不变。
18.在本发明的一实施例中，对语音信号进行预处理，得到第一输入信号包括：对所述语音信号进行分帧操作、带通滤波操作和快速傅里叶变换得到所述语音信号的短时傅里叶变换特征数据；从所述短时傅里叶变换特征数据中提取幅度谱特征形成所述第一输入信号。
19.在本发明的一实施例中，基于所述第一输入信号和所述第二输出信号得到降噪后语音信号包括：
20.将所述第一输入信号和所述第二输出信号相乘得到预输出信号；
21.对所述预输出信号进行后处理，得到所述降噪后语音信号。
22.本发明还提供一种语音信号降噪处理装置，包括：
23.存储器，用于存储可由处理器执行的指令；以及
24.处理器，用于执行所述指令以实现如前任一项所述的方法。
25.本发明还提供一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如前任一项所述的方法。
26.与现有技术相比，本发明具有以下优点：本技术的技术方案能够实现对语音信号中的平稳噪声信号的更干净的消除，同时对语音信号中的谐波保护效果更好，实现在语音
降噪的同时，仍能够保持原语音信号中有效信号的清晰度。
附图说明
27.附图是为提供对本技术进一步的理解，它们被收录并构成本技术的一部分，附图示出了本技术的实施例，并与本说明书一起起到解释本技术原理的作用。附图中：
28.图1是本技术一实施例的语音信号降噪处理方法流程图。
29.图2是本技术一实施例的梅尔滤波器组中各滤波器的频谱示意图。
30.图3是本技术一实施例的从第一神经网络计算模型形成第二神经网络计算模型的过程示意图。
31.图4是本技术一实施例的从第一神经网络计算模型形成第二神经网络计算模型的过程示意图。
32.图5是本技术一实施例的语音信号降噪处理方法的过程示意图。
33.图6是语音信号及其对应的频谱示意图。
34.图7是本技术一实施例的方案处理后的语音信号(降噪后语音信号)的频谱示意图。
35.图8是一种语音降噪的方法对语音信号进行处理后得到的语音信号的频谱示意图。
36.图9是一种语音降噪的方法的过程示意图。
37.图10是本技术一实施例的语音信号降噪处理装置的示意图。
具体实施方式
38.为了更清楚地说明本技术的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
39.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
40.除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
41.在本技术的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理
解为对本技术保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
42.此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件或组件，仅仅是为了便于对相应零部件或组件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本技术保护范围的限制。此外，尽管本技术中所使用的术语是从公知公用的术语中选择的，但是本技术说明书中所提及的一些术语可能是申请人按他或她的判断来选择的，其详细含义在本文的描述的相关部分中说明。此外，要求不仅仅通过所使用的实际术语，而是还要通过每个术语所蕴含的意义来理解本技术。
43.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，或将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
44.本技术的实施例描述一种语音信号降噪处理方法、装置和计算机可读介质。
45.图1是本技术一实施例的语音信号降噪处理方法流程图。
46.如图1所示，本技术的语音信号降噪处理方法包括，步骤101，获取第一神经网络计算模型；步骤102，生成梅尔带通滤波器，并基于所述梅尔带通滤波器得到梅尔带通滤波器的逆变换；步骤103，将所述梅尔带通滤波器作为所述第一神经网络计算模型的输入层，将所述梅尔带通滤波器的逆变换作为所述第一神经网络计算模型的输出层，形成第二神经网络计算模型；其中，所述第二神经网络计算模型使用与第一神经网络计算模型相同的数据集和训练方法训练形成；步骤104，对所述语音信号进行预处理，得到第一输入信号；步骤105，将所述第一输入信号输入已加载训练完毕的网络权重参数的所述第二神经网络计算模型，得到第二输出信号；步骤106，基于所述第一输入信号和所述第二输出信号得到降噪后语音信号。
47.具体地，在步骤101，获取第一神经网络计算模型。第一神经网络中，例如包含全连接层，卷积层，反卷积层，池化层，lstm(long short-term memory，长短期记忆网络)，gru(gated recurrent unit，门控循环单元)，attention(注意力机制)，标准化层，激励层等基本单元组成的复杂网络结构。
48.在步骤102，生成梅尔带通滤波器，并基于所述梅尔带通滤波器得到梅尔带通滤波器的逆变换。
49.梅尔(mel)频率滤波器组是类似于耳蜗作用的一组滤波器组，其可将语音信号的线性特征转换到梅尔刻度上，降低人耳对噪音的听感。
50.以下列举一个生成梅尔带通滤波器的示例。
51.设置采样频率fs＝8000hz，滤波器组中各滤波器频率范围的最低频率fl＝0，滤波器中各滤波器频率范围的最高频率fh＝4000hz；设置滤波器个数m＝10，fft(快速傅里叶变换)的长度nl＝256。
52.将fh＝4000带入公式(1)中作为f值，得到最大的梅尔频率fmax。
[0053][0054]
在[fl，fmax]的频率区间内按照滤波器个数m，将频率区间等分为m份，f
mel
再通过公式(1)计算出每个f
mel
对应的f数值。
[0055]
梅尔带通滤波器的中心频率按照式(1)表征的梅尔刻度均匀排列。设置滤波器组
中的每个滤波器具有三角形滤波特性，其中心频率为f(m)，每个带通滤波器的传递函数为
[0056][0057]
其中，k为信号输入频率。
[0058]
通过以上的计算，例如得到如图2所示的梅尔滤波器组。图2中表征出梅尔滤波器组中每个滤波器的频谱，也可称为梅尔频谱对应的三角滤波器组。
[0059]
图2是本技术一实施例的梅尔滤波器组中各滤波器的频谱示意图。图2中，横轴为频率值，纵轴为滤波器的响应(可为归一化后的响应值)。图2中示出的梅尔滤波器组中各滤波器的响应频谱，可看到其中包括m个三角频谱，与梅尔滤波器组中各滤波器对应。
[0060]
接下来，基于所述梅尔带通滤波器得到梅尔带通滤波器的逆变换(简记为mel2linear)。
[0061]
在一些实施例中，所述梅尔带通滤波器的逆变换通过求解所述梅尔带通滤波器对应的梅尔带通滤波器系数矩阵的逆矩阵得到。例如，梅尔带通滤波器系数矩阵(m-mel)和梅尔带通滤波器系数矩阵对应的逆矩阵(m-mel.t)满足(m-mel.t)*(m-mel)＝diag，diag对角线为1的对角矩阵。在梅尔带通滤波器系数矩阵代数不可逆时，梅尔带通滤波器系数矩阵对应的逆矩阵亦可为伪逆矩阵。
[0062]
在一些实施例中，所述梅尔带通滤波器的逆变换通过运用全连接神经网络进行学习，获取所述梅尔带通滤波器对应的梅尔带通滤波器系数矩阵的逆矩阵得到。
[0063]
在一实施例中，在所述全连接神经网络之后，连接一个后处理卷积层，对所述全连接神经网络的参数进行调整操作，作为所述梅尔带通滤波器的逆变换；
[0064]
其中，所述语音信号经过所述后处理卷积层之后，所述语音信号频率维度的特征维数保持不变，例如该后处理卷积层的维度为1*1。
[0065]
在步骤103，将所述梅尔带通滤波器作为所述第一神经网络计算模型的输入层，将所述梅尔带通滤波器的逆变换作为所述第一神经网络计算模型的输出层，形成第二神经网络计算模型；其中，所述第二神经网络计算模型使用与第一神经网络计算模型相同的数据集和训练方法训练形成。
[0066]
在一些实施例中，将所述梅尔带通滤波器作为所述第一神经网络计算模型的输入层，将所述梅尔带通滤波器的逆变换作为所述第一神经网络计算模型的输出层，形成第二神经网络计算模型包括：
[0067]
如果所述第一神经网络计算模型在所述语音信号的频率维度上不进行下采样操作和上采样操作，则将所述梅尔带通滤波器连接至所述第一神经网络计算模型的输入端之前作为新的输入层，将所述梅尔带通滤波器的逆变换连接至所述第一神经网络计算模型的输出端之后作为新的输出层，形成的新的神经网络作为所述第二神经网络计算模型。
[0068]
图3是本技术一实施例的从第一神经网络计算模型301形成第二神经网络计算模型302的过程示意图。
[0069]
图3中，conv1、conv2、conv3、
…
例如表示第一卷积网络层、第二卷积网络层、第三卷积网络层、
…
(也可称为正数第一卷积网络层、正数第二卷积网络层、正数第三卷积网络层、
…
，以与神经网络的运算顺序对应)。deconv1、deconv2、deconv3、
…
例如表示第一反卷积网络层、第二反卷积网络层、第三反卷积网络层、
…
(也可称为倒数第一反卷积网络层、倒数第二反卷积网络层、倒数第三反卷积网络层、
…
，以与神经网络的运算顺序对应)。图中的卷积网络层与反卷积网络层之间的连线标示网络中卷积计算与反卷积计算的对应。
[0070]
在一些实施例中，将所述梅尔带通滤波器作为所述第一神经网络计算模型的输入层，将所述梅尔带通滤波器的逆变换作为所述第一神经网络计算模型的输出层，形成第二神经网络计算模型包括：
[0071]
如果所述第一神经网络计算模型在所述语音信号的频率维度上进行下采样操作和上采样操作，但采样操作的频点数未达到频率维度达到只剩余一个频点的采样极限情形，则将所述梅尔带通滤波器连接至所述第一神经网络计算模型的输入端之前作为新的输入层，将所述梅尔带通滤波器的逆变换连接至所述第一神经网络计算模型的输出端之后作为新的输出层，形成的新的神经网络作为所述第二神经网络计算模型。
[0072]
该些实施例中，从第一神经网络计算模型形成第二神经网络计算模型的过程亦可参考图3。图3中的省略号表示其余的卷积层和反卷积层，或者全卷积神经网络中的其他网络层，例如lstm网络、池化层、attention(注意力机制)等。
[0073]
在一些实施例中，将所述梅尔带通滤波器作为所述第一神经网络计算模型的输入层，将所述梅尔带通滤波器的逆变换作为所述第一神经网络计算模型的输出层，形成第二神经网络计算模型包括：
[0074]
如果所述第一神经网络计算模型在所述语音信号的频率维度上进行下采样操作和上采样操作，且采样操作的频点数达到频率维度达到只剩余一个频点的采样极限情形，则将所述梅尔带通滤波器连接至所述第一神经网络计算模型的输入端之前作为新的输入层，且去除一层具有下采样功能的网络层；将所述梅尔带通滤波器的逆变换连接至所述第一神经网络计算模型的输出端之后作为新的输出层，并去除一层具有上采样功能的网络层，形成的新的神经网络作为所述第二神经网络计算模型。
[0075]
在一实施例中，去除的一层具有下采样功能的网络层例如为池化层或一层卷积计算的步长大于2的卷积层。去除一层具有上采样功能的网络层亦可类似。
[0076]
在一些实施例中，将所述梅尔带通滤波器作为所述第一神经网络计算模型的输入层，将所述梅尔带通滤波器的逆变换作为所述第一神经网络计算模型的输出层，形成第二神经网络计算模型包括：
[0077]
将所述第一神经网络计算模型的原输入层替换为梅尔带通滤波器，作为新的输入层，将所述第一神经网络计算模型的原输出层替换为梅尔带通滤波器的逆变换，作为新的输出层，形成的新的神经网络作为所述第二神经网络计算模型。
[0078]
图4是本技术一实施例的从第一神经网络计算模型401形成第二神经网络计算模型402的过程示意图。
[0079]
图4中，梅尔带通滤波器(mel)直接替换第一神经网络计算模型401的原输入层conv1，梅尔带通滤波器的逆变换(mel2linear)直接替换第一神经网络计算模型401的原输出层deconv1，形成第二神经网络计算模型402。梅尔带通滤波器(mel)和梅尔带通滤波器的
逆变换(mel2linear)对相应的网络层进行替换时，亦对应调整输入参数位数和输出参数维数，以实现网络的正常运行。
[0080]
在步骤104，对所述语音信号进行预处理，得到第一输入信号。
[0081]
在一些实施例中，对语音信号进行预处理，得到第一输入信号包括，步骤501，对所述语音信号进行分帧操作、带通滤波操作(也可称为加窗操作，例如加hanmming窗，汉明窗)和快速傅里叶变换得到所述语音信号的短时傅里叶变换特征数据；步骤502，从所述短时傅里叶变换特征数据中提取幅度谱特征形成所述第一输入信号。
[0082]
在步骤105，将所述第一输入信号输入已加载训练完毕的网络权重参数的所述第二神经网络计算模型，得到第二输出信号。
[0083]
图5是本技术一实施例的语音信号降噪处理方法的过程示意图。图5中，531表示信号的预处理模块。532表示第一神经网络计算模型，如前述，在第一神经网络计算模型的基础上，根据不同的情形，与梅尔带通滤波器和梅尔带通滤波器的逆变换进行结合，得到第二神经网络计算模型。第二神经网络计算模型例如542所标示。
[0084]
图5中，语音信号例如561所标示。第一输入信号如534所标示，第二输出信号例如535所标示。
[0085]
在步骤106，基于所述第一输入信号和所述第二输出信号得到降噪后语音信号。
[0086]
在一些实施例中，基于所述第一输入信号和所述第二输出信号得到降噪后语音信号包括，步骤601，将所述第一输入信号和所述第二输出信号相乘得到预输出信号；步骤602，所述预输出信号进行后处理，得到所述降噪后语音信号。所述后处理例如包括短时傅里叶逆变换。
[0087]
图5中，551例如标示后处理模块。基于所述第一输入信号534和所述第二输出信号535得到降噪后语音信号581。
[0088]
具体地，在步骤601，将所述第一输入信号和所述第二输出信号相乘得到预输出信号563。在步骤602，所述预输出信号563进行后处理，得到所述降噪后语音信号581。所述后处理例如包括短时傅里叶逆变换。
[0089]
本技术的技术方案能够实现对语音信号中的平稳噪声信号的更干净的消除，同时对语音信号中的谐波保护效果更好，从而实现在语音降噪的同时，仍能够保持原语音信号中有效信号的清晰度。
[0090]
本技术的技术方案与只是简单地将梅尔带通滤波器接入神经网络，形成处理语音信号的神经网络相比，亦能够实现对语音信号中的平稳噪声信号的更干净的消除，同时对语音信号中的谐波保护效果更好。
[0091]
图6是语音信号及其对应的频谱示意图。图7是本技术的技术方案处理后的语音信号(降噪后语音信号)的频谱示意图。图8是只是简单地将梅尔带通滤波器接入神经网络，形成处理语音信号的神经网络对语音信号进行处理后得到的语音信号的频谱示意图。
[0092]
图6-图8中的(a)图中，横轴表示时间t，纵轴表示信号强度a。图6-图8中的(b)图中，横轴表示时间t，纵轴表示频谱的频率f，也可将频率进行量化处理后，形成频点值，例如将区间为0至4000hz的频率范围量化，形成200个或300个频点值。图6-图8中的(b)图中，频谱的深浅程度表示频谱在对应频率值或频点值上的强度值，越深表示强度越大。
[0093]
将梅尔带通滤波器接入神经网络，形成处理语音信号的神经网络对语音信号进行
处理后得到的处理后语音信号的过程示意图如图9所示，图9是一种语音降噪的方法示意图。图9中，903表示输入语音信号，901表示预处理模块，902表示后处理模块，904表示处理后语音信号。923表示神经网络。
[0094]
图6的图(a)-图8的(a)图，原始的语音信号皆为611所标示。
[0095]
通过图6中的区域660、图8中的区域662与图7中的区域661相比，可见本技术的技术方案能够实现对语音信号中的平稳噪声信号的更干净的消除。通过图8中区域672与图7中区域671相比，可见本技术的技术方案能够实现对语音信号中的谐波保护效果更好。
[0096]
在本技术的一些实施例中，通过对模型参数的具体设定，得到一个实施例的不同评价指标对照表。
[0097]
表1
[0098]
评价指标pesqstoisisnr图9所示的方案2.130.8513.24本技术的技术方案2.170.8613.73
[0099]
表1中，pesq(perceptual evaluation of speech quality)即客观语音质量评估，满分值为4.5，越高越好。stoi(short time objective intelligibility)即短时可懂度，满分为1，越高越好，0.01的改进提高亦较为复杂。sisnr(scale invariant signal noise ratio)即尺度不便信噪比，越高越好。可以看到，本技术的技术方案，和只简单将梅尔频谱接入全卷积神经网络，形成处理语音信号的神经网络对语音信号进行处理后得到的处理后语音信号相比，具有明显的技术改进效果。
[0100]
本技术还提供一种语音信号降噪处理装置，包括：存储器，用于存储可由处理器执行的指令；以及处理器，用于执行所述指令以实现如前所述的方法。
[0101]
图10示出了根据本技术一实施例示出的语音信号降噪处理装置的示意图。语音信号降噪处理装置410可包括内部通信总线411、处理器(processor)412、只读存储器(rom)413、随机存取存储器(ram)414、以及通信端口405。语音信号降噪处理装置410通过通信端口连接网络，并可与其他设备连接。内部通信总线411可以实现语音信号降噪处理装置410组件间的数据通信。处理器412可以进行判断和发出提示。在一些实施例中，处理器412可以由一个或多个处理器组成。通信端口415可以实现从网络发送和接受信息及数据。语音信号降噪处理装置410还可以包括不同形式的程序储存单元以及数据储存单元，例如只读存储器(rom)413和随机存取存储器(ram)414，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器412所执行的可能的程序指令。处理器执行这些指令以实现方法的主要部分。处理器处理的结果可通过通信端口传给用户设备，在用户界面上显示。
[0102]
上述的语音信号降噪处理装置410可以实施为计算机程序，保存在存储器中，并可记载到处理器412中执行，以实施本技术的语音信号降噪处理方法。
[0103]
本技术还提供了一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如上所述的语音信号降噪处理方法。
[0104]
本技术的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理器件(dapd)、可编程逻辑器件(pld)、现场可编程门阵列
(fpga)、处理器、控制器、微控制器、微处理器或者其组合。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带
……
)、光盘(例如，压缩盘cd、数字多功能盘dvd
……
)、智能卡以及闪存设备(例如，卡、棒、键驱动器
……
)。
[0105]
计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
[0106]
同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本技术对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
[0107]
虽然本技术已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本技术，在没有脱离本技术精神的情况下还可作出各种等效的变化或替换，因此，只要在本技术的实质精神范围内对上述实施例的变化、变型都将落在本技术的权利要求书的范围内。