专利名称：语音增强设备的制作方法
技术领域：
本发明涉及用于减少背景噪声的语音增强设备，该设备包含将各帧的音频信号时域样值变换到频域的时间到频率变换单元、在频域中执行噪声减少的背景噪声减少装置和将噪声减少的音频信号从频域变换到时域的频率到时间变换单元。
这样的语音增强设备可应用于语音编码系统中，该系统比如可用于像数字电话回复机器和话音邮件应用那样的存储应用、可用于比如“车内”导航系统中的话音响应系统和用于如互联网电话的通信应用。
为了增强有噪声语音记录的质量，必须知道噪声的电平。对于单个麦克风记录，只能获得有噪声的语音。噪声电平必须仅仅从这一个信号估计出来。测量噪声的一种方式是使用没有语音活动的记录区域，并且将语音活动期间样值帧的频谱和非语音活动期获得的比较而用后者来更新前者。比如参见US-A-6,070,137。这种方法的问题在于必须使用语音活动检测器。但是即便是在信号噪声比值相对较高时，也很难建立一个能很好工作的鲁棒性的语音检测器。另一个问题在于非语音活动区域可能非常短或甚至就不出现。当噪声是非平稳时，在语音活动期间其特征会改变，这就使这种方法甚至更加困难了。
已知的还可使用一个统计模型，该模型测量信号中每个谱份量的方差但不采用语音或非语音的二进制选择；参见Ephraim，Malah在1984年12月的IEEE Trans.On ASSP期刊第32卷第6期上发表的论文“使用MMSE短时谱振幅估计器的语音增强”(“Speech Enhancement UsingMMSE Short-Time Spectral Amplitude Estimator”)。这种方法的问题在于，当背景噪声是非平稳时，估计必须基于最相邻的时间帧。在语音出现的长度内某些区域的语音频谱总高于实际噪声电平。对于这些频谱区域这就导致噪声电平的错误估计。
本发明的目的是预测单个麦克风语音记录中的背景噪声电平，但不使用语音活动检测器并且可显著减少噪声电平的错误估计。
因此，按照本发明，如开始段落描述的语音增强设备，其特征在于背景噪声减少装置包含背景电平更新模块，它根据来自时间到频率变换单元的测量输入幅度S[k]并且根据先前计算的背景幅度B-1[k]来计算当前音频信号帧中每个频率分量的预测背景幅度B[k]；信噪比模块，它根据该预测背景幅度B[k]并根据该测量输入幅度S[k]来计算该每个频率分量的信噪比SNR[k]；以及滤波器更新模块，它根据信噪比SNR[k]来为该每个频率分量计算对该测量输入幅度S[k]的滤波器幅度F[k]。
本发明还涉及配备了按照本发明的语音增强设备的语音编码系统，并涉及用于这种语音编码系统特别是P2CM音频编码系统的语音编码器。特别是该P2CM音频编码系统的编码器配备了带有上述语音增强系统的自适应差分脉冲编码调制(ADPCM)编码器和预处理器单元。
参考此后描述的附图和实施方案可清楚和说明本发明的这些和其他方面。在附图中
图1示意了带有按照本发明的独立的背景噪声减法器(BNS)的语音增强设备的基本框图；图2示意了BNS中的成帧和加窗；图3是BNS中频域自适应滤波的框图；图4是BNS中背景电平更新的框图；图5是BNS中滤波器更新的框图；以及图6示意了被背景噪声污染的发声的语音片断和测量背景电平，以及频域滤波结果。
举一个例子，在语音增强设备中，其音频输入信号被分成如10毫秒的帧。按如8kHz的抽样频率，一帧包含80个样值。每个样值用如16个比特来表示。
BNS基本上是一个频域自适应滤波器。在实际滤波前，语音增强设备的输入帧必须变换到频域。在滤波后，频域信息变换回时域。必须要特别注意防止帧边界出现不连续，因为BNS的滤波器特征会随时间而变化。
图1示意了带有BNS的语音增强设备的框图。语音增强设备包含输入窗形成单元1、FFT单元2、背景噪声减法器(BNS)3、反FFT(IFFT)单元4、输出窗形成单元5以及重叠和相加单元6。在这个例子中输入窗形成单元1的80样值输入帧移进两倍于帧长，即160样值的缓冲器，构成输入窗s[n]。该输入窗用正弦窗w[n]来加权。在本例中用256点FFT2来计算谱S[k]。BNS模块3对该谱应用频域滤波。得到的Sb[k]用IFFT4变换回时域。这就得到时域表示sb[n]。在单元5中时域输出用输入处使用的相同正弦窗来加权。用正弦窗两次加权的净结果是用汉宁(Hanning)窗加权。单元5的输出用sbw[n]表示。汉宁窗是下一处理模块6，即重叠和相加，优选的窗类型。重叠和相加用于在两个连续的输出帧之间得到平滑变换。对于帧“i”，重叠和相加单元6的输出表示为s*bw，i[n]＝sbw，i[n]+sbw，i-1[n+80]有0≤n≤80图2示意了采用的成帧和加窗。语音增强设备的输出是总的延迟为一帧，即本例中为10毫秒，的输出信号的处理后版本。
图3示意了频域中自适应滤波的框图，包含幅度模块7、背景电平更新模块8、信噪比模块9、滤波器更新模块10和处理装置11。其中对频谱S[k]的每个频率分量k应用下列操作。首先，在幅度模块7中用下列关系式计算绝对幅度|S[k]||S[k]|＝[(R{S[k]})2+(I{S[k]})2]1/2这里R{S[k]}和I{S[k]}分别是频谱的实部和虚部，本例中0≤k＜129。然后，背景电平更新模块用输入幅度|S[k]|来计算当前帧的预测背景幅度B[k]。
信噪比(SNR)用下式计算SNR[k]＝|S[k]|/B[k]并且滤波器更新模块10用其计算滤波器幅度F[k]。
最后，用下列公式进行滤波Rb{Sb[k]}＝R{S[k]}.F[k]和Ib{Sb[k]}＝I{S[k]}.F[k]假设背景噪声的总相位贡献在频谱的实部和虚部均匀分布以致于频域振幅的本地减少也减少了添加的相位信息。然而，只改变背景信号的振幅谱而不改变相位分布是否就足够还值得讨论。如果背景只包含周期信号，就很容易测量其振幅和相位分量，并向合成信号添加相同的周期性和振幅，但有180°的相位旋转。因为在分析期间内的有噪信号的相位分布不是恒定的并且因为只测量信噪比，所以能做的一切就是对每个频率区域用分别的因子抑制输入信号的能量。这通常不仅会抑制背景能量还会抑制语音信号的能量。然而，对感知语音信号很重要的成分通常具有比其他区域要大的信噪比，以致于实际当中本方法已足够高效了。
图4更详细地示意了背景电平更新模块8。模块8包含处理装置12-16、含比较器18和19的比较器装置17以及存储器单元20。
背景电平按下列步骤更新-首先，经由存储器单元20和处理装置14，前面的背景电平值B-1[k]增加因子U[k]得到B’[k]。
-然后结果与B”[k]值相比较，后者是增加的背景电平B’[k]与经由处理装置12、13、15和16得到的当前绝对输入电平|S[k]|的按比例合并。通过比较器18，选择两者中较小的一个作为背景电平B[k]的候选。
-最后，通过比较器19，用允许的最小背景电平Bmin来限制背景电平B[k]，从而得到新的背景电平。这也是背景电平更新模块8的输出。
因此，计算的背景幅度可用下一关系式表示B[k]＝max{min{B’[k]，B”[k]}，Bmin}这里Bmin为允许的最小背景电平，而B’[k]＝B-1[k].U[k]和B”[k]＝(B’[k].D[k])+(|S[k]|.C.(1-D[k]))其中U[k]和D[k]是依赖于频率的缩放因子，而C是常数。
在本实施方案中输入比例因子C设置为4。Bmin设置为64。缩放函数U[k]和D[k]对每帧都不变并且只依赖于频率下标k。这些函数定义为U[k]＝a+k/b和D[k]＝c-k/d这里a可设置为1.002、b设置为16384、c设置为0.97而d设置为1024。
图5更详细地示意了滤波器更新模块10。模块10包含处理装置21-27、包含比较器29和30的比较器装置28以及存储器单元31。
模块10包含两级一级用于内部滤波器值F’[k]的适配而一级用于输出滤波器值的缩放和限幅。内部滤波器值F’[k]的适配是按照下列关系式将前一帧的向下缩放的内部滤波器值增加依赖于输入和滤波器电平的步长值F”[k]＝F’-1[k].Eδ[k]＝(1-F”[k]).SNR[k]以及F’[k]＝F”[k]，若δ[k]≤1，或者F’[k]＝F”[k]+G.δ[k]对于其他这里E可设置为0.9375而G可设置为0.0416。
用下式对输出滤波器值进行缩放和限幅F[k]＝max{min{H.F’[k]，1}，Fmin}这里H可设置为1.5而Fmin可设置为0.2。
对输出滤波器进行额外缩放和限幅的原因是想使滤波器具有比背景的能量明显要高的谱区域带通特征。
图6对于受到背景噪声污染的一帧发声的语音片断，示意了背景电平和滤波器更新模块的输出。
如上所述的带有独立的背景噪声减法器(BNS)的语音增强设备可应用于语音编码系统特别是P2CM编码系统的编码器中。该P2CM编码系统的编码器包含预处理器和ADPCM编码器。在编码前预处理器修改音频输入信号的信号谱，特别是通过应用振幅扭曲，比如像R.Lefebre和C.Laflamme在1997年ICASSP第1卷第335到338页上发表的论文“用于音频编码中噪声谱整形的谱振幅扭曲(SAW)”(“Spectral AmplitudeWarping(SAW)for Noise Spectrum Shaping in Audio Coding”)描述的那样。因为这种振幅扭曲是在频域中进行的，所以背景噪声减少可集成到预处理器中。在时间到频率变换后相继实现背景噪声减少和幅度扭曲，这之后可进行频率到时间变换。在这种情况下，语音增强设备的输入信号由预处理器的输入信号构成。在预处理器中，以产生的信号中可获得噪声减少的方式来变化此输入信号，这样对噪声减少了的信号进行扭曲。根据该输入信号而获得的预处理器输出构成输入帧的延迟版本并将其提供给ADPCM编码器。本例中为10毫秒的这一延迟基本上是源于BNS的内部处理。ADPCM编码器的其他输入信号由编译码器模式信号构成，该编译码器模式信号决定ADPCM编码器的比特流输出中码字的比特分配。ADPCM编码器对于预处理的信号帧中的每个样值产生一个码字。然后将该码字分组成本例中为80个码的帧。根据选择的编译码器模式，得到的比特流可具有比如11.2、12.8、16、21.6、24或32kbit/s的比特率。
上述的实施方案由算法来实现，该算法的形式可以是能在P2CM音频编码器中的信号处理装置上运行的计算机程序。在迄今为止示意了执行特定可编程功能的单元的部分附图中，这些单元必须视为计算机程序的子部分。
这里描述的本发明并不受限于所描述的实施方案。可能会对其进行修改。特别是可注意到，给出的a、b、c、d、E、G和H的数值只是举例；也可能给出其他数值。
权利要求
1.用于减少背景噪声的语音增强设备，包含将音频信号的时域样值帧变换到频域的时间到频率变换单元(2)、在频域中执行噪声减少的背景噪声减少装置(3)，以及将噪声减少的音频信号从频域变换到时域的频率到时间变换单元(4)，其特征在于，该背景噪声减少装置(3)包含背景电平更新模块(8)，它根据来自时间到频率变换单元(2)的测量输入幅度S[k]并且根据先前计算的背景幅度B-1[k]来计算当前音频信号帧中每个频率分量的预测背景幅度B[k]；信噪比模块(9)，它根据预测背景幅度B[k]并根据该测量输入幅度S[k]来计算该每个频率分量的信噪比SNR[k]；以及滤波器更新模块(10)，它根据信噪比SNR[k]来为该每个频率分量计算对该测量输入幅度S[k]的滤波器幅度F[k]。
2.按照权利要求1的语音增强设备，其特征在于背景电平更新模块(8)包含存储单元(20)来获得先前计算的背景幅度B-1[k]，处理装置(12-16)和比较器装置(17)以按照下一关系式更新前面预测的背景幅度B[k]＝max{min{B’[k]，B”[k]}，Bmin}，这里Bmin为允许的最小背景电平，而B’[k]＝B-1[k].U[k]和B”[k]＝(B’[k].D[k])+(|S[k]|.C.(1-D[k]))，其中U[k]和D[k]是依赖于频率的缩放因子，而C是常数。
3.按照权利要求1或2的语音增强设备，其特征在于信噪比模块(9)包含装置，根据预测背景幅度B[k]并根据测量输入幅度S[k]来按照下一关系式计算信噪比SNR[k]SNR[k]＝|S[k]|/B[k]。
4.按照前述权利要求中任何一个的语音增强设备，其特征在于滤波器更新模块(10)包含第一装置来计算一内部滤波器数值F’[k]和第二装置来由该数值得到该测量输入幅度的滤波器幅度，该第一装置包含存储单元(31)来获得先前计算的内部滤波器幅度F’-1[k]并包含处理装置(21-23，25-27)来更新先前计算的内部滤波器幅度。
5.按照权利要求4的语音增强设备，其特征在于第二装置包含用于按照下一关系式对滤波器幅度进行缩放和限幅的比较器装置(28)F[k]＝max{min{H.F’[k]，1}，Fmin}，这里H是常数、Fmin是最小滤波器数值而F’[k]是内部滤波器数值。
6.用于一语音编码系统，特别是P2CM音频编码系统的语音编码器，它配备有按照前述权利要求中任何一个的语音增强设备。
7.语音编码系统，特别是P2CM音频编码系统，它配备了具有按照前述权利要求中任何一个的语音增强设备的语音编码器。
8.带有包含预处理器和ADPCM编码器的P2CM编码器的P2CM音频编码系统，该预处理器包括谱振幅扭曲装置，其特征在于该预处理器配备有按照权利要求1-5中任何一个的语音增强设备，该语音增强设备具有集成于预处理器的谱振幅扭曲装置中的背景噪声减少装置。
全文摘要
用于减少背景噪声的语音增强系统包含将各音频信号的时域样值帧变换到频域的时间到频率变换单元(2)、在频域中执行噪声减少的背景噪声减少装置(3)，以及将噪声减少的信号变换回时域的频率到时间变换单元(4)。在背景噪声减少装置(3)中对于每个频率分量，根据从时间到频率变换单元(2)的测量输入幅度并根据先前计算的背景幅度来计算预测背景幅度，由此对于该每个频率分量，根据该预测背景幅度并根据该测量输入幅度来计算信号噪声比，以及根据该信号噪声比来计算用于该测量输入幅度的滤波器幅度。语音增强设备可应用于语音编码系统中，特别是P
文档编号G10L21/02GK1460248SQ02801102
公开日2003年12月3日 申请日期2002年3月25日 优先权日2001年4月9日
发明者E·F·吉吉 申请人:皇家菲利浦电子有限公司