语音识别的降噪思路和总结--重要

参考：

https://www.cnblogs.com/welen/p/10524077.html

作者：

对语音、音频信号处理非常感兴趣。主要涉及：语音和音频处理；音效；去噪和回声消除；机器学习和算法优化。

 

　噪声问题一直是语音识别的一个老大难的问题，在理想的实验室的环境下，识别效果已经非常好了，之前听很多音频算法工程师抱怨，在给识别做降噪时，经常发现WER不降反升，降低了识别率，有点莫名其妙，又无处下手。

　　刚好，前段时间调到了AIlab部门，有机会接触这块，改善语音识别的噪声问题，虽然在此之前，询问过同行业的朋友，单通道近场下，基本没有太大作用，有时反而起到反作用，但是自己还是想亲身实践一下，至少找到这些方法失效的原因，看看是否在这些失败的原因里面，改进下思路，可能有新的发现；同时去Ailab，顺带把深度学习降噪实践一把，就算在ASR没有效果，以后还能用在语音通信这个领域。

　　任务的要求是保证声学模型不变动的情况下，即不重新训练声学模型，即单纯利用降噪来改善那些环境恶劣的样本，同时保证不干扰纯净语音或者弱噪声的语音场景，所以非常具有挑战性。

　　为了赶项目，用自己非常熟悉的各种传统的降噪方法：包括最小值跟踪噪声估计，MCRA， IMCRA，等各种噪声估计方法，以及开源项目 webrtc NS, AFE(ETSI ES 202 050 Advanced DSR Front-end Codec, two stages of Wiener filtering)，剩下的任务就是调参，经过很多次努力，基本没有什么效果，相反WER还会有1%点左右的增加。

分析对比了降噪和没有降噪的识别文本对比和频谱分析，总结了以下这些原因，希望对后面的人有些参考意义：

　　1.DNN本身就有很强的抗噪性，在弱噪声和纯净语音下，基本都不是问题。

通常场景下，这点噪声，用线上数据或者刻意加噪训练，是完全可以吸收掉的，只有在20db以下，含噪样本的频谱特征和纯净样本的频谱特征差异太大，用模型学习收敛就不太好，这时需要降噪前端。

　　2.降噪对于纯净语音或者弱噪声环境下，不可避免的对语音有所损伤，只有在恶劣的环境下，会起到非常明显的作用。

传统降噪是基于统计意义上面的一个处理，难以做到瞬时噪声的精准估计，这个本身就是一个近似的，粗略模糊化的一个处理，即不可避免的对噪声欠估计或者过估计，本身难把握，保真语音，只去噪，如果噪声水平很弱，这个降噪也没有什么用或者说没有明显作用，去噪力度大了，又会破坏语音。可以预见，根据测试集进行调参，就像是在绳子上面玩杂技。

我们的测试样本集，90%的样本都在在20db以上，只有200来条的样子，环境比较恶劣。所以通常起来反作用。

　　3.降噪里面的很多平滑处理，是有利于改善听感的，但是频谱也变得模糊，这些特征是否能落到正确的类别空间里面，也是存在疑问的。所以在前端降噪的基础上，再过一遍声学模型重新训练，应该是有所作用的，但是训练一个声学模型都要10来天，损失太大，也不满足任务要求。

　　4. 传统降噪，通常噪声初始化会利用初始的前几帧，而如果开头是语音，那就会失真很明显。

　　5.估计出噪声水平，在SNR低的情况下降噪，SNR高时，不处理或者进行弱处理，在中间水平，进行软处理，这个思路似乎可以行的通。

　　6.用基于声学特征的传统降噪方法，尝试过，在测试集里面，有不到1%的WER降低。

　　7.到底用什么量来指导降噪过程？既然降噪没法做好很好的跟踪，处理的很理想。即不可能处理的很干净，同时不能保证语音分量不会被损伤，即降噪和保证语音分量是个相互矛盾，同时也是一个权衡问题。那其实换个角度，降噪主要是改善了声学特征，让原来受噪声影响错分类的音素落到正确的音素类别，即降低CE。那么应该直接将降噪和CE做个关联，用CE指导降噪过程参数的自适应变化，在一个有代表性的数据集里面，有统计意义上的效果，可能不一定能改善听感，处理的很干净，但是在整体意义上，有能改善识别的。所以说语音去噪模块必须要和声学前端联合起来优化，目标是将去噪后的数据投影到声学模块接受的数据空间，而不是改善听感，即优化的目标是降低声学模型的CE,或者说是降低整条链路的wer，所以用降噪网络的LOSS除了本身的损失量，还应绑定CE的LOSS自适应去训练学习是比较合理的方案。也可以将降噪网络看成和声学模型是一个大网络，为CE服务，当然，这不一定是降噪网络，也可以是传统的自适应降噪方法，但是如果是基于kaldi开发，里面涉及到的工程量是很大的。

　　8.在整个语音识别体系中，由于声学模型的强抗噪性，所以单通道下的前端降噪似乎没有什么意义，1%左右的wer的改变，基本不影响整个大局，所以想要搞识别这块的朋友，应该先把重要的声学模型，语言模型，解码器，搞完之后，再来撸撸这块，因为即便没有单独的前端，整个识别大多数场景都是OK的，恶劣的场景比较少，一般场景大不了扩增各种带噪数据训练，也是可以的。

我们的线上数据，影响识别的因素排序是口语化，方言，短词，其次才是噪声，另外，少量混响，语速，音量，也是影响因素之一，以上是自己的一点片面之言，希望对大家有参考意义，少走弯路。