摘要

在复杂声学环境下，对单通道混合语音实现同时去噪与去混响，被认为是一项极具挑战性的任务。本文提出了一种名为D²Net的去噪与去混响网络，其中设计了一种双分支编码器（Two-Branch Encoder, TBE），用于提取并选择性融合具有不同粒度的特征。此外，本文还设计了一种全局-局部双路径变换器（Global-Local Dual-Path Transformer, GLDPT），在双路径变换器结构中引入局部密集合成注意力机制（Local Dense Synthesizer Attention, LDSA），以增强对局部信息的感知能力。我们在VoiceBank+DEMAND和WHAMR!数据集上对所提出的D²Net进行了评估，并开展了消融实验。同时，为验证D²Net在不同任务下的性能，我们在WHAMR!数据集中选取了三类数据，分别用于测试去噪仅任务、去混响仅任务以及同时去噪与去混响任务。实验结果表明，所提出的模型在各项任务中均优于对比模型，且在同时去噪与去混响、仅去混响以及仅去噪任务上均取得了更优性能，同时保持了较少的网络参数量。