摘要

在本工作中，我们提出了一种单阶段框架来解决语音去噪与去混响问题。尽管去噪与去混响通常被视为两个独立且具有挑战性的任务，因而常规方法往往需要分别设计两个处理模块，但我们证明了一个深度神经网络可被共享以同时解决这两类问题。为此，我们提出了一种新型掩码方法——相位感知Beta-Sigmoid掩码（Phase-aware Beta-sigmoid Mask, PHM），该方法通过在复数域中利用混合信号、目标信号与残差信号三者之间的三角不等式关系，复用估计的幅值信息来推断干净语音的相位。我们引入两个PHM分别处理直达成分与混响成分，从而在推理阶段实现对增强语音中混响比例的灵活控制。此外，为提升语音增强性能，我们提出了一种新的时域损失函数，并在实验中验证其相较于复数域中的均方误差（MSE）损失具有更优的性能表现。最后，为实现实时推理，我们提出了一种针对U-Net结构的优化策略，相较原始版本显著降低了高达88.9%的计算开销。