摘要

本文提出了一种用于实时语音增强的双信号变换长短期记忆网络（Dual-Signal Transformation LSTM Network, DTLN），作为深度降噪挑战赛（Deep Noise Suppression Challenge, DNS-Challenge）的一部分。该方法采用级联网络结构，融合了短时傅里叶变换（Short-Time Fourier Transform, STFT）与可学习的分析-合成基函数，模型参数量不足一百万。网络在挑战赛组织方提供的500小时带噪语音数据上进行训练，具备实时处理能力（输入一帧，输出一帧），并取得了具有竞争力的性能表现。通过结合两种信号变换方式，DTLN能够稳健地从幅度谱中提取信息，并利用可学习特征基函数中的相位信息，从而提升语音重建质量。该方法在主观意见评分（Mean Opinion Score, MOS）上达到了当前最优水平，相较于DNS-Challenge基准模型提升了0.24分（绝对值）。