[发明专利]语音信号生成模型训练方法、回声消除方法和装置及设备

说明书

本申请公开了一种语音信号生成模型训练方法、回声消除方法和装置及设备，该方法包括：获取语音信号样本和对应的理想语音信号样本；将所述语音信号样本输入到语音信号生成模型，以输出对应的理想语音信号样本为目标，对所述语音信号生成模型进行参数调整；将所述语音信号生成模型输出的理想语音预测信号输入到语音辨别模型；利用所述语音辨别模型预测所述理想语音预测信号为真实的理想语音信号样本的概率；根据预测结果确定所述理想语音预测信号的质量类别，并根据识别的质量类别调整所述语音信号生成模型的模型参数。以此解决现有非线性回声消除时拟合理想IRM导致分类结果不是很准确，回声消除结果不理想的问题。

技术领域

本申请涉及语音信号处理技术领域，特别涉及一种语音信号生成模型训练方法、回声消除方法和装置及设备。

背景技术

回声消除是用来解决与设备(如智能音箱)对话的回声问题，设备可以采集到近端和远端两种信号。近端是设备的音频输入端，即设备的麦克风收到的声音信号；远端是设备的音频输出端，即设备的扬声器发出的声音。在人机交互的过程当中，近端与远端无法独立分开，远端的信号往往通过室内的反射又传回到近端，与人声掺杂到一起，使得设备收到的话音信号出现一定程度的失真，影响设备的下一步识别。

回声消除算法用来消除近端收到的信号中回声的部分，目前的回声消除主要分为两部分：

第一部分是通用方法的线性消除，既对照远端信号对近端信号进行线性的衰减，但由于回声在反射期间会产生非线性的变换，既回声与远端的声音并不是完全相同，传统的线性消除无法完全消除回声。

第二部分是基于深度学习的非线性消除回声消除，即在对近端信号进行线性消除后，再对处理后的信号进行第二级非线性消除。非线性消除往往使用DNN(Deep NeuralNetwork，深度神经网络)或RNN(Recursive Neural Network，循环神经网络)结构预进行模型训练，而近来该领域最新的发展是使用双向LSTM(Long Short-Term Memory，长短期记忆算法)模型来进行训练和预测。训练时网络模型以采集的近端的语音信号为输入，参考理想的语音信号对远端信号导致的信号衰减进行预测，利用预测的远端信号导致的信号衰减进行非线性回声消除。

上述非线性消除方案中采用的深度学习网络模型为回归模型，网络模型对每个时频单元进行特征提取，依据提取的特征计算每个时频单元的语音信号的IRM(Ideal RatioMask，理想语音掩膜)，得到一个介于0～1之间的一个数，然后根据该IRM改变时频单元的能量大小，因此网络训练的目标是拟合理想的IRM。上述回归模型训练的结果往往无法像分类模型一样准确，难以得到一个较好的结果。

发明内容

本申请的目的是提供一种语音信号生成模型训练方法、回声消除方法和装置及设备。用于解决现有非线性回声消除时采用回归模型导致语音增强效果不是很理想的问题。

第一方面，本申请实施例提供了一种语音信号生成模型训练方法，所述方法包括：

获取语音信号样本和对应的理想语音信号样本；

将所述语音信号样本输入到语音信号生成模型，利用所述语音信号生成模型计算所述语音信号样本中理想语音信号功率占比得到理想比率掩膜IRM，利用所述IRM作为能量增益值对所述语音信号样本进行回声消除后，以输出对应的理想语音信号样本为目标，对所述语音信号生成模型进行参数调整；

将所述语音信号生成模型输出的理想语音预测信号输入到语音辨别模型；

利用所述语音辨别模型预测所述理想语音预测信号为真实的理想语音信号样本的概率；

根据预测结果确定所述理想语音预测信号的质量类别，并根据识别的质量类别调整所述语音信号生成模型的模型参数。

在一些可能的实施例中，采用如下方式训练所述语音辨别模型：