声明：语音信号处理（DSP)论文优选系列主要分享论文，分享论文不做直接翻译，所写的内容主要是我对论文内容的概括和个人看法。如有转载，请标注来源。

欢迎关注微信公众号：低调奋进

Handling Background Noise in Neural Speech Generation

本文章是google在2021.02.23更新的文章，主要研究在语音编码器如何处理背景噪声，使声码器合成的语音质量更高。具体的文章链接

https://arxiv.org/pdf/2102.11906.pdf

（此类文章Wie经验分享类）

1 研究背景

低码率的语音编码器（语音编码器可参考http://www.ece.ubc.ca/~brucew/ebook/VOIP/004.pdf）由于基于神经网络的声码器的发展音质得到巨大提高。当输入的语音存有噪声的时候，语音编码器的音质将会下降，因此本文实验如何来处理该噪声，使合成的音质更高。

2 详细设计

本文主要在声码器前端加入denoiser模型来去噪。其实验主要对比以下5种方案：

1）c2c: clean-to-clean

2) n2n: noise-to-noisy

3) n2c: noise-to-clean

4) dc2c:在c2c前边使用denoiser模型进行处理

5) dn2n:在n2n前边使用denoiser模型进行处理

其中本文设计的声码器waveGRU如图1所示，其中encoder是把波形转成log melspectra，decoder把log melspectra转成语音波形。denoiser的模型TASNet如图2所示。

3 实验

实验先对比clean和noise的MOS值，clean的较高（图3）。以上几种方案的对比结果如下：

1）c2c: 可以很好处理clean的语音，但不能处理带噪的语音；

2）n2n:可以提高带噪语音质量，但牺牲了干净语音质量；

3）n2c:可以提高带噪语音质量，但会造成音素丢失；

4）dc2c:可以很好处理干净和带噪数据；

table1在n2n上展示使用denoiser具有提高音质效果。

4 总结

本文采用不同策略来处理神经网络噪声，使其可以很好的处理干净和带噪数据。