語音增強(qiáng)技術(shù)目前有傳統(tǒng)的方法和深層神經(jīng)網(wǎng)絡(luò)的方法,傳統(tǒng)的方法假設(shè)語音信號和噪音之間的關(guān)系做出假設(shè),這往往造成語音增強(qiáng)后效果不佳,深層神經(jīng)網(wǎng)絡(luò)的方法具有根據(jù)數(shù)據(jù)進(jìn)行去噪的能力,避免了前期的假設(shè)。論文使用條件生成式對抗網(wǎng)絡(luò)（Conditional Generative Adversarial Nets）的方法對語音進(jìn)行增強(qiáng),采用有監(jiān)督的訓(xùn)練方式,在訓(xùn)練過程中加入帶噪語音信號,能夠有效地指導(dǎo)訓(xùn)練的進(jìn)行。采用PESQ對增強(qiáng)后的語音質(zhì)量進(jìn)行評價,實(shí)驗結(jié)果顯示,論文方法能夠有效地對帶噪語音進(jìn)行增強(qiáng)。 

【文章來源】：計算機(jī)與數(shù)字工程. 2020,48(08)

【文章頁數(shù)】：5 頁

【文章目錄】：
1 引言
2 基于條件生成式對抗網(wǎng)絡(luò)的語音增強(qiáng)
    2.1 數(shù)據(jù)準(zhǔn)備及預(yù)處理方法
        2.1.1 數(shù)據(jù)準(zhǔn)備
        2.1.2 數(shù)據(jù)劃分及數(shù)據(jù)預(yù)處理
    2.2 實(shí)驗環(huán)境介紹
    2.3 條件生成式對抗網(wǎng)絡(luò)
        2.3.1 生成模型
        2.3.2 判別模型
        2.3.3 模型訓(xùn)練
3 實(shí)驗與分析
    3.1 不同損失函數(shù)下模型的性能
    3.2 與其他方法的對比
4 結(jié)語



本文編號：3154220