某中心团队在Interspeech 2020深度噪声抑制挑战赛中夺冠
在电子语音通信中，噪声和混响不仅会降低语音清晰度，还会因长时间聆听劣质语音而导致听众疲劳。随着在COVID-19疫情期间远程会议时间的增加，这一问题变得尤为突出。
今年Interspeech会议举办的深度噪声抑制挑战赛旨在解决这一问题，分别设置了实时语音增强和非实时语音增强两个竞赛项目。在19支参赛团队中，某中心团队取得了最佳成绩，在非实时赛道获得第一名，在实时赛道获得第二名。
技术突破
为满足实际应用需求，实时系统被限制在仅使用4%的CPU资源（基于i7-8565U核心测量），远低于比赛允许的最大值。尽管如此，该实时系统的表现与第一名仅相差0.03平均意见分，同时超越了其他非实时参赛系统。
获奖技术已应用于某智能助手的通信公告和随处接入功能，并已在某视频会议客户端的macOS和Windows版本中向用户开放。
感知优化创新
传统语音增强算法使用手动调整的语音和噪声模型，通常假设噪声是恒定的。这些方法在某些类型噪声（如汽车噪声）和不太嘈杂或混响的环境中可以正常工作，但在处理非平稳噪声（如键盘声和嘈杂人声）时往往失效。
语音增强不仅需要从噪声和混响中提取原始语音，还需要以人耳感知自然舒适的方式实现。这使得自动回归测试变得困难，并增加了深度学习语音增强系统设计的复杂性。
实时系统通过直接优化语音的感知特性（频谱包络和语音活性），同时忽略感知无关的方面，充分利用了人类感知特性。最终算法在保持极高计算效率的同时，实现了最先进的语音质量。
对于非实时系统，采用无妥协的方法，使用改进的U-Net深度卷积网络从增强语音中榨取每一分质量，最终赢得比赛冠军。
性能权衡
在深度噪声抑制挑战赛中，处理后的音频样本被匿名发送给人类听众进行评分，产生平均意见分。实时应用始终存在复杂度和质量之间的权衡。研究显示，通过增加CPU需求可以进一步提高实时提交系统的质量，或者通过牺牲部分质量来进一步节省CPU使用。
业界普遍认为，深度学习正在对音频处理产生深远影响。尽管仍面临数据增强、感知相关损失函数和处理未见条件等挑战，但未来发展前景令人振奋。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
公众号二维码
公众号二维码
