把核心讲清楚
录音里有目标人声,也有空调或风扇声。语音增强根据录到的混合声音估计目标语音,同时控制残留噪声和语音失真。这一课只看单通道、加性噪声的简化模型 y(t)=s(t)+n(t),其中 y 是录音,s 是目标,n 是背景噪声。
先用功率比描述信号有多强:SNR = 10 log10(P_signal / P_noise),单位是 dB。P 表示同一段内的平均平方幅值。比值为 1 时是 0 dB,比值为 100 时是 20 dB。增加 20 dB 意味着功率比变为原来的 100 倍。
幅度和功率要分清。对均值为零的噪声,功率等于方差,也就是标准差的平方。假设目标信号功率为 0.5,噪声标准差为 0.5,则噪声功率为 0.25,SNR 约为 3.01 dB。0.5 是标准差,不能直接放到噪声功率的位置。
只把噪声标准差减到 0.25,功率就变成 0.0625。目标信号不变时,SNR 约为 9.03 dB,比原来增加 6.02 dB。这个比较回答“给定这些功率时指标如何变”,还没有证明某个增强算法能做到这种抑噪。
实际增强会同时改变残余噪声和语音细节。拿干净参考衡量输出误差时,要把语音失真也算进去,并另外听音或评测可懂度。把多人混合拆成各条语音轨道则属于分离任务;这节课的计算只适用于写明的加性示例。
本课给出的出处:[1]