人类语音噪声过滤器

有人知道一个可以减弱非语音的滤波器吗？我正在写语音识别软件，想过滤掉人类语音以外的所有内容。这将包括背景噪音，microphone脚的麦克风产生的噪音，甚至是背景音乐。我已经实现了可补偿功率谱6 dB滚降的一阶滤波器，但是我仍然听到噪音（尽管语音听起来更加清晰）。我曾经考虑过使用低通滤波器，但由于两个原因，我对此并不满意：

1. 我不知道低通前置滤波器是否会干扰其余的语音处理。即使人耳只能检测到低于20 kHz的声音，我也不想冒消除处理语音所需的任何高次谐波的风险（尽管我不知道是否是这种情况。但是我不想冒险）。

2. 我了解某些辅音（例如f，h和s）的激发几乎完全是白噪声。可以这么说，我不想实现一个可以消除良好噪声的噪声滤波器。

理想情况下，我只想听麦克风里那个人的讲话。如果您有任何想法，或者我缺少什么，请告诉我。非常感激！

在电话中使用的语音通信信道通常具有300 Hz至3 kHz的频率响应。尽管这会拒绝正常语音中的许多能量，但清晰度仍然很好-主要问题似乎是某些语音辅音（例如“ p”和“ t”）在没有较高频率分量的情况下可能很难辨别。

因此，您可能正在寻找通常在消费者音频中使用的20 Hz-20 kHz完整带宽与用于语音通信的最激进过滤之间的“最佳位置”（请参见上文）。我建议从50 Hz至8 kHz的带通滤波器开始。它最多只能将SNR最多提高几dB，但可能会有所帮助，尤其是在您有大量高频背景噪声的情况下。

使用与语音带宽匹配的通带滤波器会有所帮助。

如果您有多个麦克风（就像现在的手机一样），则有很多类似ICA的方法可以利用它-但是您的问题提示我只有一个输入。

您想要做的是“单麦克风源分离”（名称来自Roweis的开创性论文），也称为“单传感器”。警告：这远不是一个解决的问题，并且该领域的所有研究都是最近的，没有任何算法或方法是“明显的赢家”（与高斯混合模型+ FST不同的是用于语音识别）。

一个好的框架是通过维纳过滤。参见Benaroya等。“基于维纳滤波和多窗口STFT的单传感器源分离”（请阅读第1和2节，除非您确实需要多分辨率，否则请不要理会）。简而言之，您可以计算信号的STFT，并针对每个STFT帧尝试获取语音频谱和噪声频谱的估计，然后使用维纳滤波从中恢复语音频谱的最佳估计（这是类似于“软掩盖”频谱）。

现在，您的问题如下：给定STFT帧，从中估计语音和噪声分量。Benaroya在论文中描述的最简单的方法是通过矢量量化-让许多说话者花费几个小时的语音，计算STFT，对其运行LBG来找到512或1024个典型语音帧的密码本；为噪音做同样的事情。现在，在给定输入信号帧的情况下，将其非负投影（本文描述了乘法梯度更新过程）到语音和噪声基数上，就可以得到语音和噪声估计值。如果您不想处理非负投影，只需使用最近的邻居即可。这实际上是在“单传感器源分离”部门中可能适用的最简单的方法。

注意，语音识别系统确实可以为分离系统提供一些输入。使用您的语音识别系统进行解码的第一遍。对于每一帧，取得分最高的高斯平均MFCC向量。将其转换回频谱。动臂，您有一个遮罩，可为您提供类似语音的位的最可能频谱位置，您可以将其用作维纳滤波的输入。这听起来有点像在挥手，但精神上，要分离一个信号源，您需要一个好的模型，而向后采用的语音识别系统则是语音信号生成模型的地狱。

您可能应该考虑进行独立成分分析（ICA），因为您的问题与通常用来描述ICA的“鸡尾酒会”问题非常相似。简而言之，ICA可以找到彼此独立的信号成分。这假定环境中的其他噪声（洗碗机，白噪声，风扇嗡嗡声）将独立于语音信号源并且可以分离。

ICA与PCA（原理成分分析）相似，但是它没有最大化原理轴上的方差，而是最大化了独立性。ICA的许多实现都应插入您正在使用的任何编码环境中。