基于深度学习的语音增强方法及装置与流程

1.本发明涉及语音信号处理技术领域，尤其涉及一种基于深度学习的语音增强方法及装置。


背景技术：

2.语音增强作为语音识别系统的重要前端预处理技术，在语音通信系统、虚拟现实(virtual reality，vr)和增强现实(augmented reality，ar)系统上具有重要应用。而对于人类听觉感知来说，语音增强的主要目标是提高含噪语音的质量及可懂度。
3.近年来，很多基于深度学习的有监督语音增强技术被提出，和传统的基于信号处理的方法相比，这些有监督方法的增强性能获得了显著提高。基于dnn(deep neural networks，深度神经网络)的语音增强方法可以分为两大类：基于映射的方法和基于分类的方法。其中，基于映射的方法通过利用多种声学条件下的大量不同输入信号来训练dnn，从而学习含噪语音信号到干净语音信号的映射；基于分类的方法通过训练dnn将含噪语音信号的时频单元分类为语音或噪声，然后将分类的结果用于估计每个时频单元的理想比值掩蔽。
4.现有深度学习方法在训练阶段常用于网络优化的代价函数是均方误差(mean squared error，mse)标准。而mse不同于语音增强算法的评价标准，不能很好地反映人耳听觉感知，所以在模型优化中通过最小化mse不能保证获得性能良好的增强语音。


技术实现要素：

5.本发明提供一种基于深度学习的语音增强方法及装置，用以解决现有技术中通过mse优化的模型语音增强效果不好的缺陷，实现使用反映人耳听觉感知的代价函数对模型进行训练，提高语音增强效果。
6.本发明提供一种基于深度学习的语音增强方法，包括：
7.将第一语音样本的每帧中各频带的原幅度谱输入到深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱；
8.计算所述第一语音样本的每帧中各频带增强后的幅度谱和第二语音样本的每帧中各频带的原幅度谱之间的频域加权分段信噪比；其中，所述第一语音样本通过在所述第二语音样本中加入噪音获取；
9.根据所述频域加权分段信噪比计算第一代价函数值，根据所述第一代价函数值对所述深度神经网络模型进行训练；
10.将目标语音的每帧中各频带的原幅度谱输入到训练后的深度神经网络模型中，输出所述目标语音的每帧中各频带增强后的幅度谱，根据所述目标语音对应的增强后的幅度谱，获取所述目标语音的增强语音。
11.根据本发明提供的一种基于深度学习的语音增强方法，通过以下公式根据所述频域加权分段信噪比计算第一代价函数值：
[0012][0013][0014]
其中，mssnr为所述第一代价函数值，m为所述第一语音样本的总数量，xm(l,k)为第m个第二语音样本的第l帧中第k个频带的原幅度谱，为第m个第一语音样本的第l帧中第k个频带增强后的幅度谱，fwsnrseg(xm(l,k),)为第m个第一语音样本的xm(l,k)和之间的频域加权分段信噪比，l为所述第一语音样本的总帧数，k为所述第一语音样本和第二语音样本的每帧中的频带总数，w(l,k)为所述第一语音样本的第l帧中第k个频带的权重因子。
[0015]
根据本发明提供的一种基于深度学习的语音增强方法，所述根据所述第一代价函数值对所述深度神经网络模型进行训练，包括：
[0016]
计算所述第一语音样本的每帧中各频带增强后的幅度谱和第二语音样本的每帧中各频带的原幅度谱之间的均方误差；
[0017]
根据所述均方误差和所述第一语音样本的每帧中各频带的权重因子计算第二代价函数值；
[0018]
根据所述第一代价函数值和第二代价函数值，对所述深度神经网络模型进行训练。
[0019]
根据本发明提供的一种基于深度学习的语音增强方法，通过以下公式根据所述均方误差和所述第一语音样本的每帧中各频带的权重因子计算第二代价函数值：
[0020][0021]
其中，wmse为所述均方误差，m为第一语音样本的总数量，xm(l,k)为第m个第二语音样本的第l帧中第k个频带的原幅度谱，为第m个第一语音样本的第l帧中第k个频带增强后的幅度谱，l为所述第一语音样本的总帧数，k为所述第一语音样本和第二语音样本的每帧中的频带总数，w(l,k)为所述第一语音样本的第l帧中第k个频带的权重因子。
[0022]
根据本发明提供的一种基于深度学习的语音增强方法，还包括：
[0023]
计算所述第一语音样本的每帧中各频带的理想二值掩蔽，将所述理想二值掩蔽作为所述第一语音样本的每帧中各频带的权重因子。
[0024]
根据本发明提供的一种基于深度学习的语音增强方法，还包括：
[0025]
计算所述第一语音样本的每帧中各频带的中心频率处的绝对听阈；
[0026]
根据所述绝对听阈获取所述第一语音样本的每帧中各频带的权重因子。
[0027]
根据本发明提供的一种基于深度学习的语音增强方法，所述将第一语音样本的每帧中各频带的原幅度谱输入到深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱，包括：
[0028]
对所述第一语音样本进行分帧；
[0029]
对所述第一语音样本的每帧进行dft变换；
[0030]
将所述第一语音样本的每帧以及与每帧相邻的帧中各频带的原幅度谱进行合并，生成特征向量；
[0031]
将所述特征向量输入到所述深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱。
[0032]
本发明还提供一种基于深度学习的语音增强装置，包括：
[0033]
第一增强模块，用于将第一语音样本的每帧中各频带的原幅度谱输入到深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱；
[0034]
第一计算模块，用于计算所述第一语音样本的每帧中各频带增强后的幅度谱和第二语音样本的每帧中各频带的原幅度谱之间的频域加权分段信噪比；其中，所述第一语音样本通过在所述第二语音样本中加入噪音获取；
[0035]
第二计算模块，用于根据所述频域加权分段信噪比计算第一代价函数值，根据所述第一代价函数值对所述深度神经网络模型进行训练；
[0036]
第二增强模块，用于将目标语音的每帧中各频带的原幅度谱输入到训练后的深度神经网络模型中，输出所述目标语音的每帧中各频带增强后的幅度谱，根据所述目标语音对应的增强后的幅度谱，获取所述目标语音的增强语音。
[0037]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于深度学习的语音增强方法的步骤。
[0038]
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深度学习的语音增强方法的步骤。
[0039]
本发明提供的基于深度学习的语音增强方法及装置，通过在对深度神经网络模型进行训练的代价函数中引入基于人耳听觉感知的频域加权分段信噪比，并将其作为优化目标来训练深度神经网络模型的参数，缩小了模型优化和评价标准的差距，使得训练的深度神经网络模型增强的语言信号能够反映人耳听觉感知，实现在各种噪声类型和信噪比情况下，残留噪声得到有效抑制且语音失真降低，提高了语音增强效果。
附图说明
[0040]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0041]
图1是本发明提供的基于深度学习的语音增强方法的流程示意图之一；
[0042]
图2是本发明提供的基于深度学习的语音增强方法的流程示意图之二；
[0043]
图3是本发明提供的基于深度学习的语音增强方法中dnn模型优化的流程示意图；
[0044]
图4是本发明提供的基于深度学习的语音增强装置的结构示意图；
[0045]
图5是本发明提供的电子设备的结构示意图。
具体实施方式
[0046]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
下面结合图1描述本发明的基于深度学习的语音增强方法，该方法包括：步骤101，将第一语音样本的每帧中各频带的原幅度谱输入到深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱；
[0048]
如图2所示，本实施例包括两个阶段，即训练阶段和增强阶段。在训练阶段使用基于人类听觉感知的代价函数作为优化目标来训练dnn网络模型，以提高dnn网络模型的语音增强性能。
[0049]
可选地，在不同snr(signal noise ratio，信噪比)条件下，将噪声数据和干净语音数据，即第二语音样本相加得到第一语音样本，获取语音语料库。
[0050]
其中，噪声信号使用实际生活中最常见的应用场景，干净语音数据来自timit语料库。
[0051]
首先，将每个语音和噪声信号都采样至16khz；然后，采用100种实时噪声类型和4620条干净语音，包含男性和女性说话人的语音来准备多条件训练数据集。
[0052]
在-5db、0db、5db、10db、15db和20db六种snr条件下，将4620条干净语音，即第二语音样本添加到100种噪声类型上，得到462000条用于训练的含噪语音数据，即第一语音样本，每条语音平均时长2秒，则训练数据一共约257小时。
[0053]
在准备好第一语音样本和第二语音样本后，构建感知相关带教函数用于dnn参数的优化，以预测增强语音的幅度谱参数。
[0054]
对第一语音样本和第二语音样本进行分帧，提取每帧的各频带的幅度谱特征。将第一语音样本和第二语音样本每帧中各频带的幅度谱特征输入到dnn网络中，输出第一语音样本增强后的幅度谱特征，第二语音样本的幅度谱特征作为训练目标。
[0055]
步骤102，计算所述第一语音样本的每帧中各频带增强后的幅度谱和第二语音样本的每帧中各频带的原幅度谱之间的频域加权分段信噪比；其中，所述第一语音样本通过在所述第二语音样本中加入噪音获取；
[0056]
为了克服mse代价函数的问题，本实施例将频域加权分段信噪比(frequency-weighted segmental snr,fwsnrseg)用于预测增强语音的可懂度。fwsnrseg是一种能够反映人类听觉感知的语音可懂度的客观评价标准。将基于人耳听觉感知的fwsnrseg引入代价函数。
[0057]
步骤103，根据所述频域加权分段信噪比计算第一代价函数值，根据所述第一代价函数值对所述深度神经网络模型进行训练；
[0058]
可选地，dnn一共有3个隐藏层且每一层具有1024个整流线性单元(rectifier linear units，relu)结点，输出层为线性激活单元结点。所有的网络权重通过adam优化算法和丢弃正则化方法进行训练获取。其中，将丢弃率设置为0.2，通过在网络的每个反向传播步骤中删除每一层中20％的神经元可以避免dnn训练出现过拟合问题。此外，adam初始学习率设置为0.0001。
[0059]
将感知相关代价函数应用于dnn模型优化的流程如图3所示。首先，将7
×
257维第一语音样本的幅度谱特征归一化为0均值和单位方差，并作为dnn的输入，通过前向传播得到增强语音的幅度谱估计，即：
[0060][0061]
其中，y表示输入的第一语音样本的幅度谱特征，ω和b表示dnn的权重和偏差参数；接下来将对应的第二语言样本的幅度谱作为训练目标，通过基于梯度下降的反向传播算法来最小化网络输出和训练目标之间的感知相关代价函数值，以得到优化的权重和偏差参数。
[0062]
步骤104，将目标语音的每帧中各频带的原幅度谱输入到训练后的深度神经网络模型中，输出所述目标语音的每帧中各频带增强后的幅度谱，根据所述目标语音对应的增强后的幅度谱，获取所述目标语音的增强语音。
[0063]
可选地，在对目标语音进行增强之前，将目标语音进行分帧、加窗，并通过dft变换得到目标语音的幅度谱特征。
[0064]
将目标语音的幅度谱特征输入到训练好的dnn模型中，预测目标语音的增强语音的幅度谱，再结合目标语音的相位采用叠接相加法进行波形重构，最后利用idft(inverse discrete fourier transform，离散傅里叶逆变换)得到目标语音时域增强的语音信号。
[0065]
本实施例通过在对深度神经网络模型进行训练的代价函数中引入基于人耳听觉感知的频域加权分段信噪比，并将其作为优化目标来训练深度神经网络模型的参数，缩小了模型优化和评价标准的差距，使得训练的深度神经网络模型增强的语言信号能够反映人耳听觉感知，实现在各种噪声类型和信噪比情况下，残留噪声得到有效抑制且语音失真降低，提高了语音增强效果。
[0066]
在上述实施例的基础上，本实施例中通过以下公式通过以下公式根据所述频域加权分段信噪比计算第一代价函数值：
[0067][0068][0069]
其中，mssnr为所述第一代价函数值，m为第一语音样本的总数量，xm(l,k)为第m个第二语音样本的第l帧中第k个频带的原幅度谱，为第m个第一语音样本的第l帧中第k个频带增强后的幅度谱，fwsnrseg(xm(l,k),)为第m个第一语音样本的xm(l,k)和之间的频域加权分段信噪比，l为所述第一语音样本的总帧数，k为所述第一语音样本和第二语音样本的每帧中的频带总数，w(l,k)为所述第一语音样本的第l帧中第k个频带的权重因子。
[0070]
在上述实施例的基础上，本实施例中所述根据所述第一代价函数值对所述深度神经网络模型进行训练，包括：计算所述第一语音样本的每帧中各频带增强后的幅度谱和第二语音样本的每帧中各频带的原幅度谱之间的均方误差；
[0071]
大多数基于深度学习的语音增强算法使用的代价函数都是干净语音信号和增强语音信号之间的均方误差(mse)形式，每个频带的误差是通过对每一帧所有频带的误差平方和取平均来计算的。mse的计算表明所有频带对基于梯度下降的网络参数优化有同样的重要性，但是根据声学理论可以得知：对于语音质量和语音可懂度来说所有频带并不是同等重要的。
[0072]
根据所述均方误差和所述第一语音样本的每帧中各频带的权重因子计算第二代价函数值；
[0073]
dnn的训练应该多考虑对人类听觉感知更为重要的频带。因此，本实施例根据每个频带的均分误差和基于感知的权重因子，计算第二代价函数值。
[0074]
根据所述第一代价函数值和第二代价函数值，对所述深度神经网络模型进行训练。
[0075]
可选地，将第一代价函数值和第二代价函数值进行相加作为对dnn进行训练的代价函数值。
[0076]
本实施例通过将第一代价函数值和第二代价函数值进行合并作为代价函数，将其用于dnn训练，进一步提高增强语音的可懂度。
[0077]
在上述实施例的基础上，本实施例通过以下公式根据所述均方误差和所述第一语音样本的每帧中各频带的权重因子计算第二代价函数值：
[0078][0079]
其中，wmse为所述均方误差，m为第一语音样本的总数量，xm(l,k)为第m个第二语音样本的第l帧中第k个频带的原幅度谱，为第m个第一语音样本的第l帧中第k个频带增强后的幅度谱，l为所述第一语音样本的总帧数，k为所述第一语音样本和第二语音样本的每帧中的频带总数，w(l,k)为所述第一语音样本的第l帧中第k个频带的权重因子。
[0080]
将fwsnrseg和wmse合并到一个代价函数中，得到联合优化代价函数，计算公式如下：
[0081][0082]
在dnn训练期间最小化第一代价函数值和第二代价函数值之和，以最大化第一语音样本增强后的可懂度。
[0083]
在上述各实施例的基础上，本实施例中还包括：计算所述第一语音样本的每帧中各频带的理想二值掩蔽，将所述理想二值掩蔽作为所述第一语音样本的每帧中各频带的权重因子。
[0084]
对于权重因子的确定，考虑到临界带频谱特征提取以及利用其进行信号合成的复杂性，本实施例考虑不采用基于人类听觉感知的临界频带划分，选择将其他听觉感知特性引入代价函数的计算中。
[0085]
本实施例利用音频编码中的声学准则来定义每个频带的权重因子w(l，k)，即：对于一个给定信号，可以识别出对人类听觉感知更为重要的时频区域。
[0086]
通过使用理想二值掩蔽(ideal binary mask，ibm)来获得每个频带的权重因子。
[0087]
频域掩蔽是一种能够有效地应用于感知音频编码的声学模型。而通过利用ibm可以将干净语音信号从噪声中分离出来，所以本实施例将ibm值作为权重因子施加于各个频带，公式如下：
[0088][0089]
基于ibm对频带加权的思想是：在语音能量占主导的频带，噪声将被掩蔽，因此噪声是听不到的；而在噪声能量占主导的频带，语音将被掩蔽，所以人耳无法感知到语音，并且令这些频带的w(l，k)＝0就可以去除噪声能量主导的频带。
[0090]
本实施例通过将基于人类听觉感知的理想二值掩蔽作为每个频带的权重因子引入fwsnrseg的计算中，使得dnn模型的训练更加注重对人耳听觉感知更为重要的频带。
[0091]
作为另一种限定频带的权重因子确定方法，在上述各实施例的基础上，本实施例中还包括：计算所述第一语音样本的每帧中各频带的中心频率处的绝对听阈；根据所述绝对听阈获取所述第一语音样本的每帧中各频带的权重因子。
[0092]
本实施例使用绝对听阈(absolute threshold of hearing，ath)来获得每个频带的权重因子。
[0093]
ath定义了安静环境下可以测听到的纯音的最小声音能量(声压级，单位为db)，能量阈值和频率之间的关系可以近似化为：
[0094][0095]
ath之所以可以用于定义频带权重的思想是：当某个频率的ath值较低时，说明对应的频率很容易听到，因此这个频率对人耳听觉感知更重要。
[0096]
本实施例通过根据基于人类听觉感知的绝对听阈获取每个频带的权重因子，引入fwsnrseg的计算中，使得dnn模型的训练更加注重对人耳听觉感知更为重要的频带。
[0097]
基于上述思想，将频带权重因子w(l，k)定义为与ath(fq)成反比关系。
[0098]
具体实现步骤为：首先计算出每个频带的中心频率处的ath(fq)，接下来对这些阈值进行标准化使得最小值为1，最后将标准化后的阈值取倒数，就可以得到每个频带对应的权重因子w(l，k)。
[0099]
为了避免第0个频带的权重为0，即ath(fq)＝∞，在第0个频带的3/4频率范围处进行ath计算。
[0100]
在上述各实施例的基础上，本实施例中所述将第一语音样本的每帧中各频带的原幅度谱输入到深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱，包括：对所述第一语音样本进行分帧；对所述第一语音样本的每帧进行dft(discrete fourier transform，离散傅里叶变换)；
[0101]
为了使得dnn的输入特征和输出特征的维度相同，对第一语音样本进行分帧后再进行dft变换。
[0102]
例如，为了使得dnn的输入特征和输出特征都是257
×
7的幅度谱，利用32ms窗长，即512个样点，并且相邻两帧之间具有50％重叠率，即帧移为256个样点的hanning窗对第一语音样本进行分帧，并对每一帧进行257点dft变换。
[0103]
为了使得训练目标与dnn的输出对应，对第二语音样本进行相同方式的分帧和dtf变换。
[0104]
将所述第一语音样本的每帧以及与每帧相邻的帧中各频带的原幅度谱进行合并，生成特征向量；
[0105]
为了充分利用语音的时间信息，将相邻帧的幅度谱特征合并为单个输入特征向量，因此以第l帧为中心的特征向量可以构建为：
[0106]
y＝[y(l-3，1)，
…
，y(l-3，k)，
…
，y(l，1)，
…
，y(l 3，1)，
…
，y(l 3，k)]；
[0107]
其中，l表示当前帧的编号，k表示每帧中的频带总数，第l帧左边相邻和右边相邻的帧数分别为3，y(l，k)表示第一语音样本中第l帧中第k个频带的幅度谱特征。这种考虑了时间连续性的特征构建方式可以进一步提高语音增强性能。
[0108]
dnn的训练目标是第二语音样本的幅度谱特征，即：
[0109]
x＝[x(l，1)，
…
，x(l，k)]；
[0110]
其中，x(l，k)表示干净语音第l帧第k个频带的幅度谱特征。
[0111]
将所述特征向量输入到所述深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱。
[0112]
下面对本发明提供的基于深度学习的语音增强装置进行描述，下文描述的基于深度学习的语音增强装置与上文描述的基于深度学习的语音增强方法可相互对应参照。
[0113]
如图4所示，该装置包括第一增强模块401、第一计算模块402、第二计算模块403和第二增强模块404，其中：
[0114]
第一增强模块401用于将第一语音样本的每帧中各频带的原幅度谱输入到深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱；
[0115]
对第一语音样本和第二语音样本进行分帧，提取每帧的各频带的幅度谱特征。将第一语音样本和第二语音样本每帧中各频带的幅度谱特征输入到dnn网络中，输出第一语音样本增强后的幅度谱特征，第二语音样本的幅度谱特征作为训练目标。
[0116]
第一计算模块402用于计算所述第一语音样本的每帧中各频带增强后的幅度谱和第二语音样本的每帧中各频带的原幅度谱之间的频域加权分段信噪比；其中，所述第一语音样本通过在所述第二语音样本中加入噪音获取；
[0117]
将频域加权分段信噪比用于预测增强语音的可懂度。将基于人耳听觉感知的fwsnrseg引入代价函数。
[0118]
第二计算模块403用于根据所述频域加权分段信噪比计算第一代价函数值，根据所述第一代价函数值对所述深度神经网络模型进行训练；
[0119]
第二增强模块404用于将目标语音的每帧中各频带的原幅度谱输入到训练后的深度神经网络模型中，输出所述目标语音的每帧中各频带增强后的幅度谱，根据所述目标语音对应的增强后的幅度谱，获取所述目标语音的增强语音。
[0120]
将目标语音的幅度谱特征输入到训练好的dnn模型中，预测目标语音的增强语音的幅度谱，再结合目标语音的相位采用叠接相加法进行波形重构，最后利用idft得到目标语音时域增强的语音信号。
[0121]
本实施例通过在对深度神经网络模型进行训练的代价函数中引入基于人耳听觉感知的频域加权分段信噪比，并将其作为优化目标来训练深度神经网络模型的参数，缩小
了模型优化和评价标准的差距，使得训练的深度神经网络模型增强的语言信号能够反映人耳听觉感知，实现在各种噪声类型和信噪比情况下，残留噪声得到有效抑制且语音失真降低，提高了语音增强效果。
[0122]
在上述实施例的基础上，本实施例中的第二计算模块通过以下公式根据所述频域加权分段信噪比计算第一代价函数值：
[0123][0124][0125]
其中，mssnr为所述第一代价函数值，m为所述第一语音样本的总数量，xm(l，k)为第m个第二语音样本的第l帧中第k个频带的原幅度谱，为第m个第一语音样本的第l帧中第k个频带增强后的幅度谱，fwsnrseg(xm(l，k),)为第m个第一语音样本的xm(l,k)和之间的频域加权分段信噪比，l为所述第一语音样本的总帧数，k为所述第一语音样本和第二语音样本的每帧中的频带总数，w(l,k)为所述第一语音样本的第l帧中第k个频带的权重因子。
[0126]
在上述实施例的基础上，本实施例中第二计算模块用于：计算所述第一语音样本的每帧中各频带增强后的幅度谱和第二语音样本的每帧中各频带的原幅度谱之间的均方误差；根据所述均方误差和所述第一语音样本的每帧中各频带的权重因子计算第二代价函数值；根据所述第一代价函数值和第二代价函数值，对所述深度神经网络模型进行训练。
[0127]
在上述实施例的基础上，本实施例中第二计算模块通过以下公式根据所述均方误差和所述第一语音样本的每帧中各频带的权重因子计算第二代价函数值：
[0128][0129]
其中，wmse为所述均方误差，m为第一语音样本的总数量，xm(l，k)为第m个第二语音样本的第l帧中第k个频带的原幅度谱，为第m个第一语音样本的第l帧中第k个频带增强后的幅度谱，l为所述第一语音样本的总帧数，k为所述第一语音样本和第二语音样本的每帧中的频带总数，w(l,k)为所述第一语音样本的第l帧中第k个频带的权重因子。
[0130]
在上述实施例的基础上，本实施例中第一计算模块还用于：计算所述第一语音样本的每帧中各频带的理想二值掩蔽，将所述理想二值掩蔽作为所述第一语音样本的每帧中各频带的权重因子。
[0131]
在上述实施例的基础上，本实施例中第一计算模块还用于：计算所述第一语音样本的每帧中各频带的中心频率处的绝对听阈；根据所述绝对听阈获取所述第一语音样本的每帧中各频带的权重因子。
[0132]
在上述各实施例的基础上，本实施例中第一增强模块用于：对所述第一语音样本进行分帧；对所述第一语音样本的每帧进行dft变换；将所述第一语音样本的每帧以及与每
帧相邻的帧中各频带的原幅度谱进行合并，生成特征向量；将所述特征向量输入到所述深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱。
[0133]
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于深度学习的语音增强方法，该方法包括：将第一语音样本的每帧中各频带的原幅度谱输入到深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱；计算所述第一语音样本的每帧中各频带增强后的幅度谱和第二语音样本的每帧中各频带的原幅度谱之间的频域加权分段信噪比；根据所述频域加权分段信噪比计算第一代价函数值，根据所述第一代价函数值对所述深度神经网络模型进行训练；使用训练后的深度神经网络模型对目标语音进行增强。
[0134]
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0135]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于深度学习的语音增强方法，该方法包括：将第一语音样本的每帧中各频带的原幅度谱输入到深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱；计算所述第一语音样本的每帧中各频带增强后的幅度谱和第二语音样本的每帧中各频带的原幅度谱之间的频域加权分段信噪比；根据所述频域加权分段信噪比计算第一代价函数值，根据所述第一代价函数值对所述深度神经网络模型进行训练；使用训练后的深度神经网络模型对目标语音进行增强。
[0136]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于深度学习的语音增强方法，该方法包括：将第一语音样本的每帧中各频带的原幅度谱输入到深度神经网络模型中，输出所述第一语音样本的每帧中各频带增强后的幅度谱；计算所述第一语音样本的每帧中各频带增强后的幅度谱和第二语音样本的每帧中各频带的原幅度谱之间的频域加权分段信噪比；根据所述频域加权分段信噪比计算第一代价函数值，根据所述第一代价函数值对所述深度神经网络模型进行训练；使用训练后的深度神经网络模型对目标语音进行增强。
[0137]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0138]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0139]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。