[发明专利]一种基于WaveNet的骨导语音增强波形生成方法

权利要求书

1.一种基于WaveNet的骨导语音增强波形生成方法，其特征在于，包括以下步骤：

步骤1、构建基于BLSTM的幅度谱增强模型和基于WaveNet的波形生成模型，在基于WaveNet的波形生成模型中引入跨采样率的上采样模块；

步骤2、分别训练基于BLSTM的幅度谱增强模型和基于WaveNet的波形生成模型，其中基于BLSTM的幅度谱增强模型的输入为采样率s_low下骨导语音幅度谱，输出目标为采样率s_low下气导语音幅度谱；基于WaveNet的波形生成模型的输入为采样率s_low下骨导语音相位信息和气导语音幅度谱，输出目标为采样率s_high下气导语音波形；其中s_low＜s_high；

步骤3、将待增强的采样率s_low下骨导语音幅度谱送入训练好的基于BLSTM的幅度谱增强模型中得到增强的幅度谱，再将该增强的幅度谱联合骨导语音相位信息送入训练好的基于WaveNet的波形生成模型中，得到增强的采样率s_high下语音波形。

2.根据权利要求1所述的基于WaveNet的骨导语音增强波形生成方法，其特征在于，步骤1所述跨采样率的上采样模块，具体为：

设置两种采样率即s_low、s_high条件下语音特征的分帧窗长时间与窗移时间一致，使得帧级特征分辨率均为1/t_hop，t_hop表示分帧窗移时间；同时，采用线性差值的上采样方法。

3.根据权利要求1或2所述的基于WaveNet的骨导语音增强波形生成方法，其特征在于，步骤2中骨导语音幅度谱、气导语音幅度谱、骨导语音相位信息通过以下方式获取：

步骤2.1、对骨导语音x和气导语音y分别进行波形幅度归一化，归一化到[-1,1]之间，得到归一化骨导语音x'和归一化气导语音y'；

步骤2.2、抽取骨导语音和气导语音的声学特征，得到骨导语音幅度谱M_x、气导语音幅度谱M_y、骨导语音相位信息，所述骨导语音相位信息具体为骨导语音群时延特征GD_x；

步骤2.3、对骨导语音幅度谱M_x和气导语音幅度谱M_y分别进行声学特征取log，并进行MVN归一化处理，得到归一化的骨导语音幅度谱M′_x和归一化的气导语幅度谱M′_y。

4.根据权利要求3所述的基于WaveNet的骨导语音增强波形生成方法，其特征在于，步骤2中对基于BLSTM的幅度谱增强模型的训练，具体如下：

步骤3.1、设置学习率为η_B，训练迭代次数为N_B；

步骤3.2、将归一化后骨导语音幅度谱M′_x送入基于BLSTM的幅度谱增强模型得到估计幅度谱

步骤3.3、根据均方误差函数MSE更新BLSTM参数θ_B为表示与M′_y之间的MSE损失函数误差；其中θ_B为基于BLSTM的幅度谱增强模型的参数；

步骤3.4、循环迭代步骤3.2～3.3，直到达到最大迭代次数N_B。