一种改进LSTM 训练的语音分离技术

郭佳敏，李鸿燕

（太原理工大学信息与计算机学院，山西太原 030024）

人耳可以轻易地将感兴趣的语音从背景噪声中分辨出来，为了使机器学会这一能力，文中将目标语音从背景噪声中有效地区分出来，即“鸡尾酒会问题”[1]。语音分离的主要任务是解决鸡尾酒会问题，并将其应用到实际场景中。随着人工智能、深度学习等相关知识的迅速发展，很多算法相继被提出。文献[2]将深度神经网络（Deep Neural Network,DNN）运用到语音分离的研究中，在大规模训练的基础上，使语音分离性能实现了显著的提升。文献[3]将深度神经网络的语音分离系统进一步优化，并取得了显著的效果。文献[4]将长短时记忆网络（Long Short-Term Memory,LSTM）运用到语音分离任务中，通过其记忆功能，能有效获取信号的上下文信息，提升语音分离的性能，相较于DNN，可以有效提升分离语音的短时可懂度指标，但在语音质量等其他方面表现欠佳。同时，由于其结构复杂，参数众多，计算复杂度较高，导致训练时间成本较大。文中通过简化长短时记忆网络模型结构和参数，使用门控循环单元（Gated Recurrent Unit，GRU）[5]缩短训练时间，降低了计算复杂度。

为实现系统语音分离性能的综合提升，根据人耳的掩蔽效应，针对信号的时频（Time Frequency，T-F）单元，结合注意力机制进行建模，并提出将噪声和语音主导T-F 单元分类方法与回归任务中常用的均方误差（Mean-Square Error，MSE）[6]相结合的方法，构建新的损失函数，对模型的训练过程进行优化，以获得性能更好的语音分离模型。

1 算法结构

图1 所示是语音分离算法结构框图。……