[发明专利]基于语音成分实现的风噪抑制方法、装置、设备及系统

说明书

本发明公开了一种基于语音成分实现的风噪抑制方法、装置、音频设备及系统，其中，所述方法包括：对拾音单元在时域上采集的原始语音信号进行傅里叶变换得到频域上的待降噪语音信号；依据基频fsubgt;0/subgt;判断当前采样点是否含有语音成分得到判断结果；当判断结果为当前采样点不含有语音成分时，通过各采样点的噪声加权系数分别对各自对应的待降噪语音信号进行加权得到第一噪声集合；当判断结果为当前采样点含有语音成分时，依据当前采样点附近的噪声分量线性相关性确定当前采样点的噪声分量得到第二噪声集合；通过噪声估计谱对待降噪语音信号进行压制得到降噪后的语音信号。无需采用复杂的高级算法，提高了运算速率，实现了有效、快速地噪抑制风噪。

技术领域

本发明涉及音频信号处理技术领域，具体涉及一种基于语音成分实现的风噪抑制方法、装置、音频设备及系统。

背景技术

当前，移动端用户数量在日益增长，如何保证这些移动设备在各种噪声环境中通话时都能够拥有较高的通话质量，将是提升音频产品竞争力的着重点。噪声大致可以分为稳态和非稳态两种。目前，大部分降噪算法中，都是针对类似白噪声这种平稳状态下的抑制，但是风噪属于强非稳态噪声，且风噪也不属于点声源(简单声源)，无法通过波束成形等手段进行噪声的有效估计。可见，传统跟踪频谱最小值等噪声估计方式不能应对风噪的非稳态性；由于风噪的无源特性，利用多麦克风进行波束成形时无法准确的跟踪噪声源。

随着神经网络技术发展，有不少基于神经网络的风噪抑制算法被提出，但由于移动设备的种种局限性，神经网络高计算复杂度等因素也被考虑进能否进行实际应用中。基于传统降噪算法中，还没有一种能够兼顾平稳和非平稳噪声抑制的算法，如何兼顾两种噪声的抑制将是未来降噪的新方向。

传统风噪抑制算法中，一个分支是来自于稳态噪声抑制算法的改进，如通调整估计噪声时的更新率，使得估计出的噪声接近实时变换，但是这种方式一个明显的缺陷是，无法保证估计出的噪声不包括突变的语音语音成分，这就导致降噪后的结果会有很大的语音成分缺失，另一个分支是通过深度学习或者非负矩阵分解等类似方式，提前对噪声特征进行训练再运用，这种方式下，效果虽然好于上面的方式，但算法的复杂度和运算量也是难以满足大多便携设备实时低功耗的应用需求，不具有普遍适用性。

因此，在抑制风噪过程中，如何有效、快速地噪抑制风噪成为亟待解决的技术问题。

发明内容

基于上述现状，本发明的主要目的在于提供一种基于语音成分实现的风噪抑制方法、装置、音频设备及系统，以在抑制风噪过程中，以有效、快速地噪抑制风噪。

为实现上述目的，本发明采用的技术方案如下：

第一方面，本发明实施例公开了一种基于语音成分实现的风噪抑制方法，包括：

步骤S100，对拾音单元在时域上采集的原始语音信号进行傅里叶变换得到频域上的待降噪语音信号，其中，原始语音信号含有部分风噪信号；步骤S200，基于待降噪语音信号得到待降噪语音信号的基频f₀；步骤S300，依据基频f₀判断当前采样点是否含有语音成分得到判断结果；步骤S400，当判断结果为当前采样点不含有语音成分时，顺次执行步骤S410和步骤S420：步骤S410，确定当前采样点对应的噪声加权系数为1；步骤S420，通过各采样点的噪声加权系数分别对各自对应的待降噪语音信号进行加权得到第一噪声集合；步骤S500，当判断结果为当前采样点含有语音成分时，依据当前采样点附近的噪声分量线性相关性确定当前采样点的噪声分量得到第二噪声集合；步骤S600，通过噪声估计谱对待降噪语音信号进行压制得到降噪后的语音信号，其中，第一噪声集合与第二噪声集合构成噪声估计谱。

可选地，在步骤S300中，当基频f₀＝0时，确定基频f₀对应的采样点未包含语音成分。