[发明专利]风噪抑制方法、装置、音频设备及系统

说明书

本发明公开了一种风噪抑制方法、装置、音频设备及系统，其中，所述方法包括：步骤S100，在时域上获取原始音频信号；步骤S200，将音频信号复制成第一路音频信号和第二路音频信号；步骤S300，对第一路音频信号中当前采样点与之前和/或之后采样点的信号进行关联度运算；步骤S400，依据第二路音频信号确定峰值谐波点和非峰值谐波点；步骤S500，基于峰值谐波点和非峰值谐波点分别对规整后的音频信号进行噪声估计；步骤S600，依据噪声估计谱对规整后的音频信号进行降噪抑制，得到降噪后的音频信号。一方面避免了过大运算量的消耗，另一方面，相对于寻找非稳态风噪而言，寻找语音有效成分的准确度更高，因此，在消耗较小运算量的前提下，提高风噪估计的准确度。

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，在消耗较小运算量的前提下，提高风噪估计的准确度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风噪抑制方法、装置、音频设备及系统，以在抑制风噪过程中，在消耗较小运算量的前提下，提高风噪估计的准确度。

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风噪抑制方法，包括：

步骤S100，在时域上获取原始音频信号，原始音频信号包括至少部分语音信号和至少部分风噪信号；步骤S200，将原始音频信号复制成第一路音频信号和第二路音频信号，第一路音频信号、第二路音频信号和原始音频信号相同；步骤S300，对第一路音频信号中当前采样点与之前和/或之后采样点的信号进行关联度运算，并将关联度运算后的信号转换为频域信号，得到频域上规整后的音频信号，以凸显语音谐波成分；步骤S400，在频域上，依据第二路音频信号确定峰值谐波点和非峰值谐波点；步骤S500，基于峰值谐波点和非峰值谐波点分别对规整后的音频信号进行噪声估计，得到噪声估计谱，其中，当第二路音频信号中基频点位于非峰值谐波点时，通过预设的增益因子对基频点对应的规整后的音频信号进行增益得到该基频点对应的噪声估计；当第二路音频信号中基频点位于峰值谐波点时，依据该基频点附近的频点进行线性插值得到该基频点对应的噪声估计；步骤S600，依据噪声估计谱对规整后的音频信号进行降噪抑制，得到降噪后的音频信号。

可选地，步骤S300包括：步骤S310，对第一路音频信号进行离散处理；