本文主要是介绍深度学习掩膜_深度学习在AEC中的应用探索,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
本文来自大象声科高级算法工程师闫永杰在LiveVideoStackCon2019北京大会上的分享。 闫永杰介绍了深度学习在回声消除(AEC)中的应用。 正如我们所知,AEC是 在线音视频通话(VoIP)领域中一个非常棘手的问题,目前应用比较广泛的AEC方法主要还是基于传统信号处理的方法。 大象声科在成功将深度学习应用于人声和噪声分离的基础上,正在通过引入深度学习技术,解决回声消除问题。文 / 闫永杰 策划 / LiveVideoStack AEC问题定义 上图是个典型的AEC 系统,我们先看左框和右框。 我们可以想象为两个人通电话,从左框看到的远端信号(Far-End)是指对方传过来的信号x(n),而右框的近端信号(Near-End)指着本地麦克风收到的信号y(n)。 传统意义上,AEC 的问题目标在于去除回声的分量d(n), 如果一个 VOIP 通话系统后面还会有降噪算法将近端语音中的背景噪声v(n)去掉, 使得我们送给对方的信号是纯净的语音s’(n)。 当我们打电话时听到自己讲话的声音,其实是对方的手机AEC算法出现了问题. 在对方设备AEC算法没把你的声音消掉的情况下,就会听到自己的声音。 这里我们强调一点,传统AEC问题定义只针对回声分量去除,对噪音毫无影响。 简单介绍传统自适应算法原理 第一,我们必须在近端没有讲话情况下做计算,来估计参考信号到回声的传输路径,也就是常说的回声路径。 回声路径的估计至关重要,如果回声路径估计不准确,后续步骤都会出问题。 第二,如果第一步我们得到了准确的回声路径h(n), 那么我们用得到的远端信号和h(n)进行卷积,就算得了估计的回声分量 第三, 麦克风收到的近端信号减去第二步中估计的回声分量,将会得到AEC 的结果 传统自适应算法存在的问题 第一,算法要求在仅有远端信号段才能做回声路径的估计,因此双讲检测(Double-Talk)要求要非常准确。
这篇关于深度学习掩膜_深度学习在AEC中的应用探索的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!