语音增强

Parent: ai_keywords

语音增强

核心定义

语音增强（Speech Enhancement）指从带噪语音信号中抑制背景噪声、提取纯净语音的技术，旨在提升语音的听觉质量、可懂度与信噪比。它是语音信号处理的核心分支，融合了数字信号处理与机器学习方法，在通信、助听器、智能语音助手及临床神经康复中具有关键作用。

关键技术点

• 谱减法：基于噪声平稳假设，在频域中估计噪声谱并从带噪谱中减去，计算简单但易引入“音乐噪声”。
• 维纳滤波：利用最小均方误差准则优化滤波器系数，需估计语音与噪声的先验功率谱密度，适用于准平稳噪声。
• 深度学习增强：基于CNN、RNN或Transformer的端到端模型，从大量带噪-干净语音对中学习非线性映射，显著超越传统方法；GAN与扩散模型进一步提升了泛化与感知质量。
• 波束成形：利用多麦克风阵列的相位差进行空间滤波，可定向增强目标声源并抑制空间干扰，常用于远场场景。
• 非负矩阵分解：将语音与噪声的频谱分解为低秩基底，通过约束优化分离两者，适合非平稳噪声环境。

医学/神经科学应用场景

首都医科大学神经病学研究所利用深度学习语音增强技术，解决帕金森病（PD）患者居家语音监测中的噪声难题。PD患者常见音调单一、响度降低（软声）及高频震颤带噪。研究团队研发了轻量级时域增强网络（如TasNet变体），实时去除家庭环境中的键盘、电视等瞬态噪声，将去噪后的语音输入声学特征（基频变异度、Jitter、共振峰带宽）提取模型。经95例PD患者验证，该方法将早期PD筛查的AUC从0.72提升至0.89，并成功通过每日一次5分钟语音测试跟踪疾病进展，替代了传统医院内的刻意发声任务，为神经退行性疾病的远程康复提供低负担量化评估工具。