计算机应用

作者：吕景刚, 彭绍睿, 高硕, 周金

单位：天津财经大学 理工学院，天津 300222

关键词：语音增强,复神经网络,U-Net,注意力机制,Transformer

基金：天津自然科学基金资助项目(22JCYBJC01550)

现有语音增强方法的目标信号为复频谱信号，而训练网络通常采用实值网络，训练时分别并行处理实部和虚部信号降低了特征提取的准确度，并且对复频域的语义特征提取不充分。为解决上述问题，提出一种基于复频域注意力和多尺度频域增强（CFAFE）的复数域网络实现语音增强。该网络以U-Net为基本架构，首先，利用短时傅里叶变换（STFT）将语音时序含噪信号转换到复频域；其次，针对复频域特征，设计复数域多尺度频域增强模块，构建复频域条件下增强的含噪语音局部特征挖掘模块，从而增强频域干扰和识别期望信号特征的能力；再次，在ViT（Vision Transformer）的基础上设计基于复频域的自注意力算法，实现并行复频域特征的增强；最后，在基准数据集VoiceBank+Demand上进行对比实验和消融实验，并在使用Noise92加噪后的Timit数据集上进行迁移泛化实验。实验结果表明，在VoiceBank+Demand数据集上，相较于深度复卷积递归网络（DCCRN），所提网络在语音质量的感知评估（PESQ）、MOS信号失真（CSIG）、MOS噪声失真（CBAK）、MOS整体语音质量（COVL）指标上分别提升了16.6%、10.9%、44.4%和14.1%；在Timit+Noise92数据集上，相较于DCCRN模型，在babble噪声信噪比（SNR）为-5 dB的条件下，所提网络的PESQ和STOI（Short-Time Objective Intelligibility）分别提高了29.8%和5.2%。

来源：2025年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第9期