基于功率归一化倒谱的端点检测

传统的端点检测在低信噪比(SNR)非平稳噪声下性能会失效,因此文章提出了将最优改进的对数谱幅度估计(OMLSA)以及最小控制递归平均算法(IMCRA)相结合的方法对包含噪声的语音指令进行去噪处理,提取PNCC的第一维静态特征作为特征参数。同时,文章在单参数双门限法的基础上设计了一个自适应阈值,可以更好地跟踪预测实际语音的起始与终止端。Matlab仿真结果显示,该算法在各种非平稳噪声下比经典算法优势更大。

基于神经网络噪声分类的语音增强算法

传统的语音增强算法由于缺少背景噪声信息,在进行语音处理时对不同的语音信号采取相同的处理方式,因此存在估计噪声不准确、增强语音失真及噪声抑制不明显等问题,最终导致语音的增强效果不明显。在此基础上提出一种根据不同噪声进行参数自适应的语音增强算法,首先,通过神经网络进行精确分类;然后,根据分类结果选取不同参数的IMCRA算法进行噪声估计;最后,采取OMLSA算法对语音信号进行增强。实验结果表明,经噪声分类后的增强算法能够取得更好的增强效果,更多的保留语音信号中的信息,且能够在不降低语音可懂度的同时提高语音的质量。