語(yǔ)音識(shí)別的降噪思路和原因總結(jié)

噪聲問(wèn)題一直是語(yǔ)音識(shí)別的一個(gè)老大難的問(wèn)題，在理想的實(shí)驗(yàn)室的環(huán)境下，識(shí)別效果已經(jīng)非常好了，之前聽很多音頻算法工程師抱怨，在給識(shí)別做降噪時(shí)，經(jīng)常發(fā)現(xiàn)WER不降反升，降低了識(shí)別率，有點(diǎn)莫名其妙，又無(wú)處下手。

剛好，前段時(shí)間調(diào)到了AIlab部門，有機(jī)會(huì)接觸這塊，改善語(yǔ)音識(shí)別的噪聲問(wèn)題，雖然在此之前，詢問(wèn)過(guò)同行業(yè)的朋友，單通道近場(chǎng)下，基本沒有太大作用，有時(shí)反而起到反作用，但是自己還是想親身實(shí)踐一下，至少找到這些方法失效的原因，看看是否在這些失敗的原因里面，改進(jìn)下思路，可能有新的發(fā)現(xiàn)；同時(shí)去Ailab，順帶把深度學(xué)習(xí)降噪實(shí)踐一把，就算在ASR沒有效果，以后還能用在語(yǔ)音通信這個(gè)領(lǐng)域。

任務(wù)的要求是保證聲學(xué)模型不變動(dòng)的情況下，即不重新訓(xùn)練聲學(xué)模型，即單純利用降噪來(lái)改善那些環(huán)境惡劣的樣本，同時(shí)保證不干擾純凈語(yǔ)音或者弱噪聲的語(yǔ)音場(chǎng)景，所以非常具有挑戰(zhàn)性。

為了趕項(xiàng)目，用自己非常熟悉的各種傳統(tǒng)的降噪方法：包括最小值跟蹤噪聲估計(jì)，MCRA， IMCRA，等各種噪聲估計(jì)方法，以及開源項(xiàng)目 webrtc NS， AFE（ETSI ES 202 050 Advanced DSR Front-end Codec， two stages of Wiener filtering），剩下的任務(wù)就是調(diào)參，經(jīng)過(guò)很多次努力，基本沒有什么效果，相反WER還會(huì)有1%點(diǎn)左右的增加。

分析對(duì)比了降噪和沒有降噪的識(shí)別文本對(duì)比和頻譜分析，總結(jié)了以下這些原因，希望對(duì)后面的人有些參考意義：

1. DNN本身就有很強(qiáng)的抗噪性，在弱噪聲和純凈語(yǔ)音下，基本都不是問(wèn)題。

通常場(chǎng)景下，這點(diǎn)噪聲，用線上數(shù)據(jù)或者刻意加噪訓(xùn)練，是完全可以吸收掉的，只有在20db以下，含噪樣本的頻譜特征和純凈樣本的頻譜特征差異太大，用模型學(xué)習(xí)收斂就不太好，這時(shí)需要降噪前端。

2. 降噪對(duì)于純凈語(yǔ)音或者弱噪聲環(huán)境下，不可避免的對(duì)語(yǔ)音有所損傷，只有在惡劣的環(huán)境下，會(huì)起到非常明顯的作用。

傳統(tǒng)降噪是基于統(tǒng)計(jì)意義上面的一個(gè)處理，難以做到瞬時(shí)噪聲的精準(zhǔn)估計(jì)，這個(gè)本身就是一個(gè)近似的，粗略模糊化的一個(gè)處理，即不可避免的對(duì)噪聲欠估計(jì)或者過(guò)估計(jì)，本身難把握，保真語(yǔ)音，只去噪，如果噪聲水平很弱，這個(gè)降噪也沒有什么用或者說(shuō)沒有明顯作用，去噪力度大了，又會(huì)破壞語(yǔ)音?？梢灶A(yù)見，根據(jù)測(cè)試集進(jìn)行調(diào)參，就像是在繩子上面玩雜技。

我們的測(cè)試樣本集，90%的樣本都在在20db以上，只有200來(lái)?xiàng)l的樣子，環(huán)境比較惡劣。所以通常起來(lái)反作用。

3. 降噪里面的很多平滑處理，是有利于改善聽感的，但是頻譜也變得模糊，這些特征是否能落到正確的類別空間里面，也是存在疑問(wèn)的。所以在前端降噪的基礎(chǔ)上，再過(guò)一遍聲學(xué)模型重新訓(xùn)練，應(yīng)該是有所作用的，但是訓(xùn)練一個(gè)聲學(xué)模型都要10來(lái)天，損失太大，也不滿足任務(wù)要求。

4. 傳統(tǒng)降噪，通常噪聲初始化會(huì)利用初始的前幾幀，而如果開頭是語(yǔ)音，那就會(huì)失真很明顯。

5. 估計(jì)出噪聲水平，在SNR低的情況下降噪，SNR高時(shí)，不處理或者進(jìn)行弱處理，在中間水平，進(jìn)行軟處理，這個(gè)思路似乎可以行的通。

6. 用基于聲學(xué)特征的傳統(tǒng)降噪方法，嘗試過(guò)，在測(cè)試集里面，有不到1%的WER降低。

7. 到底用什么量來(lái)指導(dǎo)降噪過(guò)程？

既然降噪沒法做好很好的跟蹤，處理的很理想。即不可能處理的很干凈，同時(shí)不能保證語(yǔ)音分量不會(huì)被損傷，即降噪和保證語(yǔ)音分量是個(gè)相互矛盾，同時(shí)也是一個(gè)權(quán)衡問(wèn)題。那其實(shí)換個(gè)角度，降噪主要是改善了聲學(xué)特征，讓原來(lái)受噪聲影響錯(cuò)分類的音素落到正確的音素類別，即降低CE。那么應(yīng)該直接將降噪和CE做個(gè)關(guān)聯(lián)，用CE指導(dǎo)降噪過(guò)程參數(shù)的自適應(yīng)變化，在一個(gè)有代表性的數(shù)據(jù)集里面，有統(tǒng)計(jì)意義上的效果，可能不一定能改善聽感，處理的很干凈，但是在整體意義上，有能改善識(shí)別的。所以說(shuō)語(yǔ)音去噪模塊必須要和聲學(xué)前端聯(lián)合起來(lái)優(yōu)化，目標(biāo)是將去噪后的數(shù)據(jù)投影到聲學(xué)模塊接受的數(shù)據(jù)空間，而不是改善聽感，即優(yōu)化的目標(biāo)是降低聲學(xué)模型的CE，或者說(shuō)是降低整條鏈路的wer，所以用降噪網(wǎng)絡(luò)的LOSS除了本身的損失量，還應(yīng)綁定CE的LOSS自適應(yīng)去訓(xùn)練學(xué)習(xí)是比較合理的方案。也可以將降噪網(wǎng)絡(luò)看成和聲學(xué)模型是一個(gè)大網(wǎng)絡(luò)，為CE服務(wù)，當(dāng)然，這不一定是降噪網(wǎng)絡(luò)，也可以是傳統(tǒng)的自適應(yīng)降噪方法，但是如果是基于kaldi開發(fā)，里面涉及到的工程量是很大的。

8. 在整個(gè)語(yǔ)音識(shí)別體系中，由于聲學(xué)模型的強(qiáng)抗噪性，所以單通道下的前端降噪似乎沒有什么意義，1%左右的wer的改變，基本不影響整個(gè)大局，所以想要搞識(shí)別這塊的朋友，應(yīng)該先把重要的聲學(xué)模型，語(yǔ)言模型，解碼器，搞完之后，再來(lái)擼擼這塊，因?yàn)榧幢銢]有單獨(dú)的前端，整個(gè)識(shí)別大多數(shù)場(chǎng)景都是OK的，惡劣的場(chǎng)景比較少，一般場(chǎng)景大不了擴(kuò)增各種帶噪數(shù)據(jù)訓(xùn)練，也是可以的。

責(zé)任編輯：lq6