基于端到端学习的语音增强研究综述.docVIP

基于端到端学习的语音增强研究综述

语音增强作为语音信号处理领域的核心研究方向，其核心目标是从携带噪声、混响、失真的带噪语音信号中恢复出纯净、可懂的目标语音，是语音识别、语音交互、助听设备、远程会议等应用场景的关键前置技术。传统语音增强方法多基于信号处理理论，如谱减法、维纳滤波、最小均方误差估计等，这类方法依赖对噪声特性的先验假设，在平稳噪声场景下表现尚可，但面对非平稳噪声、低信噪比、复杂混响等真实场景时，增强效果往往出现明显下降，容易引入语音失真、音乐噪声等问题。随着深度学习技术的快速发展，端到端学习范式逐渐成为语音增强领域的主流研究路径，其不再依赖人工设计的特征和模块化的处理流程，而是通过神经网络直接建立带噪语音到纯净语音的映射关系，在复杂场景下的增强性能实现了质的突破。

端到端语音增强的基础框架与建模范式

端到端语音增强系统的核心是实现从输入带噪语音到输出纯净语音的直接映射，根据建模对象的不同，可分为时频域建模与时域建模两大范式。时频域建模是较早被广泛应用的思路，其首先将时域语音信号通过短时傅里叶变换（STFT）转换为二维时频特征，通常包含幅度谱与相位谱两部分。早期研究普遍认为相位信息对语音感知的影响较小，因此多数模型聚焦于幅度谱的增强，通过网络学习带噪幅度谱到纯净幅度谱的映射，再结合原始带噪相位通过逆STFT重构时域语音。代表性的网络结构包括深度神经网络（DNN）、卷积神经网