
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种面向带宽限制、加性噪声与混响的轻量级模块化语音恢复框架
《Scientific Reports》:A lightweight end-to-end speech restoration framework for multi-degradation environments
【字体: 大 中 小 】 时间:2026年10月21日 来源:Scientific Reports 4.9
编辑推荐:
摘要在这项研究中,我们提出了一个轻量级且模块化的语音恢复框架,该框架能够应对三种常见的音频失真类型:带宽限制、加性噪声和混响。所提出的框架采用了一种通用的编码器-双向长短期记忆网络(BLSTM)-解码器架构设计,并针对每种恢复任务分别进行实例化。每个特定任务的模型都针对其对应的失
在这项研究中,我们提出了一个轻量级且模块化的语音恢复框架,该框架能够应对三种常见的音频失真类型:带宽限制、加性噪声和混响。所提出的框架采用了一种通用的编码器-双向长短期记忆网络(BLSTM)-解码器架构设计,并针对每种恢复任务分别进行实例化。每个特定任务的模型都针对其对应的失真条件进行独立训练,同时保持相同的网络结构和频谱图域处理流程。该框架在対数幅度频谱图域中运行,实现了高分辨率的时频分析;双向长短期记忆网络(BLSTM)能够捕捉每个特定任务模型中的长时序依赖性。所有模型都使用了包含频谱收敛性和对数幅度距离分量的多分辨率短时傅里叶变换(STFT)损失函数进行优化,从而在恢复过程中保证了频谱的准确性。性能评估采用了PESQ、STOI和SI-SDR指标,评估对象是在受控带宽限制、加性噪声和房间混响条件下生成的失真语音与原始清水语音对。尽管该框架的参数量仅为480万(4.8M),远低于DCHT(1300万)、MP-SENet(1560万)和CGMAN(1720万)等对比架构,但其恢复效果依然具有竞争力,PESQ评分在2.95至3.05之间,STOI评分约为0.86。这种紧凑的架构表明其在资源受限的语音恢复应用中具有潜在的适用性。