摘要

在语音增强领域，时域方法在实现高性能与高效率之间面临挑战。近年来，双路径模型被用于表征长序列特征，但仍存在表征能力有限及内存效率低下的问题。本研究提出了一种面向噪声消除的多视角注意力网络（Multi-view Attention Network for Noise ERasure, MANNER），该网络由一个卷积编码器-解码器结构与多视角注意力模块组成，直接作用于时域语音信号。MANNER能够高效地从含噪语音中提取三种不同视角的特征表示，并据此估计出高质量的纯净语音。我们在VoiceBank-DEMAND数据集上，基于五项客观语音质量指标对MANNER进行了评估。实验结果表明，MANNER在保持高效处理含噪语音的同时，达到了当前最优的性能水平。