论文翻译：2021_A New Real-Time Noise Suppression Algorithm for Far-Field Speech Communication Based on Recurrent Neural Network
论文地址：一种新的基于循环神经网络的远场语音通信实时噪声抑制算法
引用格式：Chen B, Zhou Y, Ma Y, et al. A New Real-Time Noise Suppression Algorithm for Far-Field Speech Communication Based on Recurrent Neural Network[C]//2021 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC). IEEE, 2021: 01-05.
摘要
在远程会议场景中，语音通常会受到背景噪声的影响，从而降低语音的清晰度和质量。因此，在噪声环境下对语音进行增强是十分必要的。本文研究了一种基于门控循环单元(GRU)的改进循环神经网络(RNN)的远场实时语音增强方法。利用混响目标语音的理想幅度掩膜(IAM)作为RNN的训练目标。我们还采用特征归一化和提出的子带归一化技术来减少特征差异，进一步促进RNN学习长期模式。同时，为了进一步抑制子带分割带来的残差间谐波伪平稳噪声，我们将RNN与最优修正的对数谱幅值(optimally modified log-spectral amplitude，OMLSA)算法相结合。实验结果表明，该方法提高了语音质量，降低了失真，并且具有较低的实时计算复杂度。
关键字：语音增强；循环神经网络；理想振幅掩模；最优修正对数谱幅值(optimally modified log-spectral amplitude，OMLSA)
1 引用
在语音技术及其实际应用中，语音往往会受到背景噪声和混响的影响而产生失真，导致语音通信体验下降，语音/说话人自动识别率[1]较差。语音增强已成为对抗噪声和混响的关键手段。近年来，基于深度学习的语音增强方法[2]得到了广泛的关注和成功，与传统的信号处理方法相比显示出其优势。一个主要的好处是相对容易地整合复杂的学习目标，这将促进增强语音的发展，朝着更好的质量和可理解[3]。然而，由于大多数神经网络的规模大，计算复杂度高，利用神经网络进行实时的噪声抑制和去everberation仍然是一项具有挑战性的任务。
在室内语音交流场景中，房间音响会产生一定的混响。在混响适中的环境中，讲话不会有任何下降。因此，单独去除噪声就能至关重要地改善语音质量和清晰度。另一方面，一定程度的混响有助于提高听力的舒适度和清晰度[4]。因此，在本文中，我们忽略了去everberation的问题，只是专注于开发一种具有低复杂度和实时处理能力的改进方法来消除远场环境中的噪声。
优化语音增强算法的一个主要挑战是在远场环境中抑制噪声，同时尽可能保持语音的感知质量。经典的语音增强方法有谱减法、维纳滤波、基于统计模型的方法[5]等。然而，这些方法策略大多依赖于噪声谱的估计和先验信息的假设。虽然它们在大多数有限的噪声环境中都能很好地发挥作用，但在处理非平稳和扩散噪声后却不能达到预期的效果。因此，研究者更倾向于利用深度学习技术来研究更有效的解决方案。近年来，Valin提出了一种基于循环神经网络(RNN)的低计算复杂度方法，可以将深度学习和信号处理技术相结合，对采样在48kHz[6]的音频进行实时处理。但是，该方法所获得的语音清晰度和语音质量下降，阻碍了该方法的直接应用。
受[6]的启发，本文提出了一种改进的低复杂度RNN方法，用于在有噪声和中等混响环境下实时、高采样率(48KHz)的语音增强系统。首先，分析了特征和特征/子带归一化技术。然后，提出了利用经典信号处理算法和RNN算法分别计算增益的并行处理方法。目标是进一步消除语音谐波之间的残留噪声，因为无法在子带划分中对频谱的精细结构建模。结果表明，该方法可以避免较大的计算复杂度，进一步提高语音质量和可懂度。
本文的其余部分安排如下：第二节给出了本文提出的基于RNN的算法。第三节给出了实验设置和结果以及相应的评价。第四部分总结了本文的结论。
2 系统架构和方法
A 信号模型
设$y(n)$、$x(n)$和$u(n)$分别表示时域噪声、混响信号和噪声信号
$$公式1：y(n)=x(n)+u(n)$$
分析和合成使用相同的窗，如下所示
$$公式2：w(n)=sin[\frac{\pi}{2}sin^2(\frac{\pi n}{N})]$$
其中N为窗口的长度。加窗后，再进行快速傅里叶变换(FFT)，最后得到下面的频域表达式为
$$公式3：Y(l,k)=X(l,k)+U(l,k)$$
其中$Y(l,k)$，X(l,k)和$U(l,k)$分别表示上述时域信号模型在第$l$个时间帧和第$k$个频率bin的FFT。
该系统的框图如图1所示。大部分的噪声抑制是通过RNN在低分辨率频谱上计算增益来实现的，而不是在频率点上进行处理。因此，语音谐波之间不可避免地会有噪声残留，如伪平稳噪声。结合改进的OMLSA算法计算的增益，采用更精细的抑制步骤进一步衰减语音谐波间的噪声。
图1 提出系统的框架图
B 频带结构与特征表示
在训练神经网络的过程中，最重要的是寻找合适的特征，这将极大地影响神经网络[7]的训练效率和最终的演绎性能。然而，在[2]中引入的方法中，使用了许多神经网络来估计频率bin的mask或幅度，这通常需要数百万权值来处理在48kHz采样的语音。这种类型的神经网络很难部署在需要低功耗和实时处理能力的系统中。考虑到[8]中描述的子带信号处理方法，我们选择在Mel-scale上对频谱进行划分，Mel子带的划分在低频密集，在高频稀疏。在mel-scale上，频率bin被划分为48维频带。设$w_m(k)$为频带$m$在bin $k$处的振幅，定义频带$m$的传递函数为
$$公式4：w_{m}(k)=\left\{\begin{array}{cc}
0, & k<f(m-1) \\
\frac{k-f(m-1)}{f(m)-f(m-1)}, & f(m-1) \leq k \leq f(m) \\
\frac{f(m+1)-k}{f(m+1)-f(m)}, & f(m)<k \leq f(m+1) \\
0, & k>f(m+1)
\end{array}\right.$$
其中
$$公式5：f(m)=\left(\frac{N}{f_{s}}\right) F_{\text {mel }}^{-1}\left(F_{\text {mel }}\left(f_{1}\right)+m \frac{F_{\text {mel }}\left(f_{\mathrm{h}}\right)-F_{\text {mel }}\left(f_{1}\right)}{M+1}\right),$$
$$公式6：F_{mel}(f)=1125 log(1+\frac{f}{700})$$
$M=48$是频带数，音频处理在48kHz采样率，$f_h=24000$，$f_1=0$，$f_s=48000$，$F^{-1}_{mel}(f)$是$F_{mel}(f)$的逆函数。然后，将481维的频点特征压缩为48维频带特征。
在此，我们提出一种子带归一化( sub-band normalization，SN)技术来归一化子带振幅系数。其目的是减小子带划分不同所引起的子带能量差异。因此，频带$m$的子带归一化方法描述为
$$公式7：w'_m(k)=\frac{w_m(k)}{\sum_kw_m(k)},\ \sum_kw'_m(k)=1$$
对于变换后的信号$Y(k)$，频带$m$的对数能量被计算为：
$$公式8：E_{Y}(m)=\log \left(\max \left(\sum_{k} w_{m}^{\prime}(k)|Y(k)|^{2}, \alpha\right)\right)$$
其中$\alpha=10^{-6}$和子带能量最低为-60dB。因此，得到了48维mel-scale子带能量。此外，我们还介绍了频谱平坦度(spectral flatness，SF)，以帮助语音检测和辅助VAD估计。第$l$帧SF的值为：
$$公式9：S F(l)=10 \times \log _{10}\left(\frac{\exp \left(\frac{1}{K} \sum_{k} \ln (Y(l, k))\right)}{\frac{1}{K} \sum_{k} Y(l, k)}\right)$$
如下平滑光谱平坦度产生：
$$公式10：S F_{\text {smooth }}(l)=\gamma S F_{\text {smooth }}(l-1)+(1-\gamma) S F(l)$$
其中K = 400为总共所需的频率bin，$\beta=10^{-3}$，$\gamma $为平滑参数。总共使用了49个输入特性。
C 特征归一化
在提取Mel scale的频带能量特征后，发现高频子带和低频子带之间的能量差异相对较大，统一归一化这可能导致忽略具有较小能量尺度的特征。因此，我们引入了在线归一化技术，并将其与上述特性结合起来。该方法首先消除了特征尺度差异的影响，然后进一步促进了RNN学习长期模式。在上述归一化方法中，我们将利用以下衰减指数平滑运行均值和方差。
$$公式11：\mu_{E(Y)}(l, m)=\lambda \mu_{E(Y)}(l-1, m)+(1-\lambda) E_{Y}(l, m)$$
$$公式12：\sigma_{E(M)}^{2}(l, m)=\lambda \sigma_{E(Y)}^{2}(l-1, m)+(1-\lambda) E_{Y}^{2}(l, m)$$
$$公式13：E_{Y}^{\prime}(l, m)=\frac{E_{Y}(l, m)-\mu_{E(Y)}(l, m)}{\sqrt{\sigma_{E(Y)}^{2}(l, m)-\mu_{E(Y)}^{2}(l, m)}}$$
其中$\lambda=exp(- \frac{\bigtriangleup t}{\tau })$，$\bigtriangleup t$是以秒为单位的帧偏移，$\tau =1s$是可以控制自适应更新速度的时间常数。我们每2000帧用零重新初始化当前帧中的均值和方差，然后对后续帧执行相应的计算。该方法可以进一步提高网络的鲁棒性。
D 学习机器和训练设置
RNN在实时语音增强(SE)任务[7]中具有优异的性能。虽然LSTM和GRU都是根据门控单元更新序列信息的主导技术，避免了指数权重衰减或爆炸问题，但由于GRU的计算效率和优异的性能[9]优于LSTM。因此，在提出的方法中，我们首先叠加三个GRU层，然后是一个全连接层，以估计48维子带增益和VAD同时。定义理想比值掩码(IRM)的训练标签为
$$公式14：g_{birm}(m)=max(\sqrt{\frac{E_x(m)}{E_Y(m)}},10^{-3})$$
式中$E_X(m)$、$E_Y(m)$分别为纯净混响语音、带噪混响语音。此外，当某一频段没有语音和噪声时，ground True增益被明确标记为未定义，因此在训练过程中忽略相应帧的子带增益，以避免恶化网络的训练整体效果。此外，我们考虑利用一种结合均方误差(MSE)和尺度不变信噪比(SI-SDR)[10]的损失函数，可以提供更好的性能。它可以写成
$$公式15：L=\varsigma\left(\sqrt{\widehat{g}_{b i m n}(m)}-\sqrt{g_{b i m}(m)}\right)^2+(1-\varsigma)\left(-10 \log _{10}(\frac{||\frac{\hat{x}^{T} x}{||x||^{2}} x||^{2}}{||\frac{\hat{x}^{T} x}{||x||^{2}} x-\hat{x}||^{2}})\right)$$
其中x和x分别表示时域语音波的真实情况和预测结果。在一系列的实验中，我们发现$\zeta = 0.4$可以很好地在噪声抑制和语音失真之间进行权衡。
E RNN与改进的OMLSA相结合的策略
本文提出的基于RNN架构的输出信号基于Mel尺度准则，因为每一帧的频谱被划分为48维子带，这会导致频谱分辨率的降低。它的主要缺点是不能在频谱中模拟更精细的细节。同时还发现语音谐波之间存在一定的残余噪声。因此，我们考虑引入一种优化的OMLSA算法，并将其与RNN相结合，并行处理降噪和残差噪声抑制。
实际应用中，更准确的语音检测有利于噪声的更新，提高了算法在语音信号处理中的鲁棒性。因此，我们考虑利用RNN逐帧预测的VAD值来有效替代传统的OMLSA VAD决策方法，可以促进语音活动检测，辅助噪声更新，降低计算复杂度。由于篇幅限制，本文省略了改进的OMLSA中包括的其他功能模块的细节。用OMLSA计算的400个频率点的增益标记为$g_{omlsa}$，而用RNN估计的增益为48维，我们需要利用常数插值矩阵(constant interpolate matrix，IM)将带IRM $g_{birm}$从48维变换到400维，并标记插值增益为$g_{irm}$。因此，最终增益$g$由
$$公式16：g=min(g_{omlsa},g_{min})$$
可以发现，在两种不同方法计算的增益之间取最小值的操作，不仅可以保留网络的优势，还可以进一步消除子带划分带来的语音谐波之间的残留噪声。
3 实验和评估
A 实验设置与性能评估
基于RNN的训练和评估需要纯净混响语音和带噪混响语音。通过对混响语音进行加噪处理，人工构建训练数据。此外，我们通过将纯净语音与房间脉冲响应(RIR)卷积得到纯净混响语音。对于纯净语音数据和噪声，我们使用了公开可用的DNS Challenge 3语音数据库(中文、德语和西班牙语)、英国-爱尔兰英语方言语音数据库[11]和麦吉尔TSP语音数据库[6]。利用各种噪声源，包括电脑风扇、汽车、办公室、街道、噪音和火车的噪音。采用RIR生成器，利用成像方法[12][13]生成RIR，模拟不同房间大小，随机选择接收机和说话人的位置。此外，接收机与扬声器之间的距离保持在1m - 5m范围内，随机产生。此外，混响时间(T60)也在[0.1,0.6]秒范围内随机选取。
实验使用CUDNN GRU实现，在Keras后端Nvidia GPU上进行。将所有训练数据分成长度为2000的连续帧(RNNoise也是分为2000连续帧)，依次输入到网络中进行训练。对网络进行60个epoch的训练，选择的batch size为64。同时，利用Adam算法对网络进行优化，使损失函数最小。所有信号采样在48kHz。帧窗长为20毫秒，帧偏移为10毫秒。
将该方法与SpeexDSP库中的RNNoise和基于MSE的噪声抑制方法进行了比较。我们将采用STOI和PESQ 来评估通过不同方法增强的语音的可读性和质量。正常情况下，分数越高，增强语音质量越好。
B 评价结果与讨论
在实验中，利用不同的纯净混响语音信号和5种噪声(汽车、办公室、街道、babble和静止噪声)，产生了总共8小时的不同信噪比的测试集语料。此外，在训练阶段，测试数据的噪声和RIRs都没有被利用。计算了五种噪声类型下各方法判据的改进情况。表1和表2分别表示了在相同信噪比和相同混响时间条件下，不同噪声类型测试集语料的平均STOI和PESQ得分。从表1和表2的评分结果来看，虽然实验中使用的三种方法都表现出相同的语音增强趋势，但本文方法明显优于另外两种基线。此外，高信噪比下的性能优于低信噪比下的性能。
图2给出了对真实房间场景记录语料进行噪声抑制的处理结果示例，红色矩形表示本文方法对非语音段噪声的抑制性能优于其他两种基线算法。在语音部分，该方法可以显著降低语音失真，进一步消除语音谐波间的残留噪声。此外，所提出的方法也存在一些问题。一是高频存在一定的残余噪声，二是没有利用差分特征和基音周期，导致算法在抑制语音段中存在的瞬态噪声时性能下降。我们可以考虑引入上述特性来进一步训练网络。总体结果表明，该方法可以提高不同远场场景下的语音质量和可读性。
图2 将真实房间场景中记录的语料库的语谱图和基于mse、RNNoise和所提出方法的处理结果分别进行比较。
图2给出了对真实房间场景记录语料进行噪声抑制的处理结果示例，红色矩形表示本文方法对非语音段噪声的抑制性能优于其他两种基线算法。在语音部分，该方法可以显著降低语音失真，进一步消除语音谐波间的残留噪声。此外，所提出的方法也存在一些问题。一是高频存在一定的残余噪声，二是没有利用差分特征和基音周期，导致算法在抑制语音段中存在的瞬态噪声时性能下降。我们可以考虑引入上述特性来进一步训练网络。总体结果表明，该方法可以提高不同远场场景下的语音质量和可读性。
C 复杂度分析
计算复杂度是算法实现实时性的一个重要问题。可执行文件总共保存了92109个权值(大约70KB)，这些权值由神经网络的217个神经元学习。每一帧数据通过带权值的乘法和加法运算实现实时语音增强。对于每一帧的处理，算法的复杂度总共需要35M flops，分别用于FFT/IFFT变换、特征提取和神经网络计算。此外，在Intel (R) Core (TM) i5-9300H CPU @ 2.40GHz的笔记本电脑上，该方法处理每个语音帧的平均时间为0.5ms，而RNNoise的处理时间约为0.8ms。相比之下，每帧的处理速度提高了60%。
4 结论
本文提出了一种在远场环境下将RNN和改进的OMLSA算法相结合的实时噪声抑制方法。该方法仅针对正常混响场景条件下的噪声去除。在不同噪声和T60条件下对系统进行了评估，实验结果表明，该方法不仅提高了噪声抑制能力，而且降低了语音失真。此外，由此产生的低复杂性和更快的处理速度使该方法适合于嵌入式设备和视频会议系统。
参考文献
[1] Y . Zhao, D. L. Wang, I. Merks, and T. Zhang, DNN-based enhancement of noisy and reverberant speech, in IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2016, pp.6525 6529.
[2] Wang, DeLiang, and Jitong Chen, "Supervised speech separation based on deep learning: An overview," IEEE/ACM Transactions on Audio, Speech, and Language Processing 26.10, 2018, pp. 1702-1726.
[3] Y. Xia, S. Braun, C. K. A. Reddy, H. Dubey, R. Cutler, and I. Tashev, Weighted speech distortion losses for neural-network-based real-time speech enhancement, in 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2020, pp. 871 875.
[4] J. S. Bradley, H. Sato, and M. Picard, On the importance of early reflections for speech in rooms, Journal of the Acoustical Society of America, vol. 113, pp. 3233 3244, 2003.
[5] Y. Hu and P. Loizou, Evaluation of objective measures for speech enhancement, in Proc. Interspeech, 2006, pp. 1447 1450.
[6] J.-M. V alin, A hybrid DSP/deep learning approach to real-time fullband speech enhancement, in 2018 IEEE 20th International Workshop on Multimedia Signal Processing (MMSP), 2018, pp. 1 5.
[7] J. Chen, Y. Wang, and D. Wang, A feature study for classificationbased speech separation at very low signal-to-noise ratio, in Proc. ICASSP, 2014, pp. 7059 7063.
[8] S. Davis aud P. Mermelstein, "Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences," Acoustics, Speech and Signal Processing, iEEE Transactions on, vol. 28, no. 4, pp. 357-366, 1980.
[9] C. K. Reddy, E. Beyrami, J. Pool, R. Cutler, S. Srinivasan, and J. Gehrke, A Scalable Noisy Speech Dataset and Online Subjective Test Framework, in ISCA INTERSPEECH 2019, 2019, pp.1816 1820.
[10] Jonathan Le Roux, Scott Wisdom, Hakan Erdogan, and John R. Hershey, SDR half-baked or well done? , in Acoustics, Speech and Signal Processing (ICASSP), 2019 IEEE International Conference on. IEEE, 2019, pp. 626 630.
[11] Isin Demirsahin, Oddur Kjartansson, Alexander Gutkin, and Clara Rivera, Open-source Multi-speaker Corpora of the English Accents in the British Isles, in Proceedings of The 12th Language Resources and Evaluation Conference (LREC), Marseille, France, May 2020, pp. 6532 6541, European Language Resources Association (ELRA).
[12] J. B. Allen and D. A. Berkley, Image method for efficiently simulating small-room acoustics, Journal of the Acoustical Society of America, vol. 65, pp. 943 950, 1979.
[13] Habets, Emanuel AP. "Room impulse response generator." Technische Universiteit Eindhoven, Tech. Rep 2.2.4 (2006): 1.
