摘要

我们提出了一种面向基于深度学习的语音增强系统的调制域损失函数。通过将可学习的时频感受野（Spectro-Temporal Receptive Fields, STRFs）优化用于说话人识别任务，所学习到的STRFs被用于在调制域中计算加权均方误差（Weighted Mean-Squared Error, MSE），以训练语音增强系统。实验结果表明，在时频域MSE的基础上引入调制域MSE，显著提升了实时语音增强系统在语音质量与可懂度方面的客观预测性能，且在推理阶段未增加额外计算开销。