Melhoramento de voz baseado em representações esparsas usando dicionários treinados

Abstract

Melhorar sinais de voz degradados por ruídos não-estacionários é uma tarefa importante e de interesse em diversas áreas de pesquisa. Os espectros variantes no tempo de ruídos não-estacionários comprometem o desempenho de métodos clássicos de melhoramento de voz. Este trabalho explora a utilização de representações esparsas utilizando dicionários treinados no melhoramento de voz. O sinal ruidoso no domínio tempo-frequência é codificado de maneira esparsa utilizando um dicionário formado pela concatenação de um dicionário de voz e um dicionário de ruído. A voz pura é estimada pela representação gerada pelo dicionário de voz enquanto a estimação do ruído é dada pela representação fornecida pelo dicionário de ruído. Uma codificação muito esparsa aumenta o erro de aproximação, denotado por distorção de fonte. Uma codificação muito densa causa confusão de fonte, onde a voz é parcialmente representada pelo dicionário de ruído, e o ruído é parcialmente codificado pelo dicionário de voz. A esparsidade da representação é regulada para melhorar o desempenho. Os resultados experimentais mostram que esta abordagem alcança resultados superiores à subtração espectral, filtro de Wiener e MMSE-STSA usando diferentes medidas objetivas de avaliação.

Enhancing speech degraded by non-stationary noises is an important task and of great interest in several research areas. The time-varying spectra of non-stationary noises compromise the performance of classical speech enhancement methods. This work explores the use of sparse representations using trained dictionaries in speech enhancement. The mixture in time-frequency domain is sparsely encoded in a dictionary formed by the concatenation of a speech dictionary and a noise dictionary. The cleaned speech is estimated by the representation generated by the speech dictionary while the noise estimation is given by the representation provided by the noise dictionary. Very sparse coding increases the approximation error, denoted by source distortion. Very dense encoding causes source confusion, where the voice is partially represented by the noise dictionary, and the noise is partially encoded by the voice dictionary. The sparsity of the representation is regulated to improve performance. Experimental results shows that this approach achieves results superior to spectral subtraction, Wiener filter and MMSE-STSA using different objective evaluation measures.