在高度混响且噪声严重的环境中，基于独立成分提取的移动声源语音增强技术

《Speech Communication》：Independent component extraction-based speech enhancement of a moving source in highly reverberant and noisy environments

　　摘要
语音增强旨在提升在嘈杂背景环境中的语音可懂度与质量。然而，在真实的动态声学环境中进行语音增强极具挑战性。本文提出了一种基于独立成分提取的语音增强算法，用于在高度混响且噪声较大的环境中增强移动源信号。首先，针对时变混合环境构建了一种新的语音增强模型，该模型中的混合向量与分离向量均为时变的。其次，利用牛顿-拉夫森方法优化基于对数似然的对比函数，并明确计算该对比函数的梯度与二阶导数，从而得到分离向量的更新规则。此外，还通过预处理方式获得了改进的更新规则。仿真实验验证了所提算法在高度混响且噪声大的环境中对移动源及静态源语音增强的有效性及竞争力，同时表明该算法对实际记录的非平稳噪声具有较强鲁棒性。

引言
语音增强是指从噪声背景中提取目标语音信号，以抑制和减少噪声干扰。该技术已被应用于语音识别、助听器以及空中交通控制等领域（Chen等人，2024；Westhausen等人，2024；Yu等人，2024；Wang和Wang，2022；Hoang等人，2022）。然而，环境噪声与高混响程度会直接影响语音增强的效果。尤其是在动态环境中，当目标源信号持续运动时，提取并增强该信号是一项极为艰巨的任务。因此，本文提出一种新型语音增强算法，用于从高度混响且噪声大的环境中提取移动的目标源信号。

在高度混响的环境中，声学脉冲响应由直接声与反射声构成。直接声是从声源沿最短路径传播到麦克风的声音，而反射声则包括早期反射声与晚期反射声。早期反射声也会增加声音强度，从而有助于提升语音的可懂度（Bradley等人，2003）。晚期反射声则彼此难以区分，会形成呈指数衰减的尾迹，即混响。混响是影响语音质量及识别性能的主要因素之一，通常被认为与直接声及早期反射声无关（Gannot等人，2017；Kodrasi和Doclo，2018）。因此，去混响的主要任务就是消除这些晚期混响。

针对去混响问题，传统的语音增强算法包括逆滤波（Miyoshi和Kaneda，1988）、倒谱减法（Subramaniam等人，1996）、晚期混响抑制（Kinoshita等人，2009）、加权预测误差（WPE）算法（Yoshioka和Nakatani，2012）以及最小方差无失真响应（MVDR）波束成形技术（Schwartz等人，2015）。房间脉冲响应重设计则是一种用于改善语音可懂度的房间混响补偿技术（Mertins等人，2010；Krishnan等人，2019；Mertins等人，2021）。为同时抑制晚期混响与附加噪声，有人提出了基于听觉掩蔽特性的最优滤波器，用于线性预测残差估计器，从而控制混响与噪声的水平（Peng等人，2018）。此外，还有一种基于广义主成分的瞬时功率谱密度估计方法（Dietzen等人，2020c）。集成旁瓣抵消与线性预测（ISCLP）卡尔曼滤波器则需要先估计功率谱密度及相对早期传递函数，才能同时抑制晚期混响与附加噪声（Dietzen等人，2020b；Dietzen等人，2020a）。多项式矩阵特征值分解（PEVD）则是一种适用于高度混响环境的盲语音增强算法（Neo等人，2021）。不过，上述语音增强算法通常假设声源是静止的，不适用于目标源信号处于运动状态的情况，这限制了它们在动态环境中的性能。

盲源分离（BSS）旨在无需了解声源及混合过程的先验信息，即可从接收到的混合信号中估计出各声源信号（Xie等人，2024；Gabrielson等人，2024；Ye等人，2024）。该技术已被用于移动源信号的分离（Taseska和Habets，2018；Ong等人，2021；Munakata等人，2023）。快速独立成分分析（FastICA）与快速独立向量分析（FastIVA）则是两种著名的BSS算法，可用于从混合信号中盲分离一个或多个声源（Hyvarinen，1999；Lee等人，2007）。盲源提取（BSE）则是BSS的延伸，其目的是从观测到的混合信号中提取出一个或多个目标声源信号（Zhang等人，2018；Pelegrina等人，2023；Xie等人，2025）。BSE的优势在于，只需根据声源信号的某些特征，按特定顺序提取所需的目标声源。Koldovsky和Tichavsky（2019）提出了一种基于最大似然原理的独立成分提取算法（ICE），用于从瞬时线性混合信号中提取目标声源，前提是目标声源为非高斯分布，而其余背景信号为高斯分布。随后，又提出了快速动态独立向量分析（FastDIVA）算法，用于从随时间变化的混合信号中盲提取/分离一个或多个声源（Koldovsky等人，2021）。该算法已被应用于移动声源的盲提取，包括使用密集麦克风阵列提取移动说话者信号、提取视觉诱发电位中的移动活动信号，以及模拟的逐块在线提取方法（Amor等人，2021）。不过，此类方法无法识别出高斯分布的目标声源。此外，还有研究提出了基于非平稳混合模型与声源模型的新型ICE算法（Koldovsk等人，2022）。Ikeshita等人（2021）提出了一种基于辅助函数的块坐标下降算法（IVE），用于从过度确定的线性混合信号中提取所有超高斯声源。Malek等人（2021）则提出了一种适用于噪声较大且存在混响环境的移动声源半监督提取新方法。Jansk等人（2022）提出了一种基于辅助函数的IVE算法，用于盲提取移动说话者信号。这些方法均基于恒定分离混合模型，假设只有混合向量会随块变化，而分离向量在各块之间保持不变。但在实际情况下，混合向量与分离向量都会随块发生变化。因此，实时估计分离向量至关重要。

本文提出了一种基于ICE的语音增强算法，名为“ICE-SE”，旨在解决移动源语音增强问题。该算法的贡献包括：（i）构建了一种新的语音增强模型，其中与目标声源相关的混合向量是时变的，分离向量同样也是时变的；（ii）设计了ICE-SE算法，以实现分离向量的实时估计，从而在高度混响且噪声大的环境中增强移动源信号的语音质量，同时详细计算了对比函数的梯度与二阶导数，并通过预处理获得了改进的更新规则；（iii）在不同声学条件下对所提ICE-SE算法进行了全面性能评估，分析了其有效性、优越性及鲁棒性。

本文余下结构如下：第2节描述系统模型，并介绍时变分离向量混合模型。第3节提出ICE-SE算法，并设计预处理技术以获得改进的更新规则。第4节展示实验结果与分析。最后，第5节给出结论与未来工作方向。

模型描述
考虑到混响与环境噪声的影响，第m个传感器信号可表示为xm(n)=hmTs(n)+vm(n)，其中n=1,…,N为样本索引，(?)T为转置运算符，hm=[hm(0),hm(1),…,hm(Lh?1)]T为从声源到第m个传感器的房间脉冲响应系数向量，s(n)=[s(n),s(n?1),…,s(n?Lh+1)]T为目标声源信号向量，vm(n)则为第m个传感器处的附加噪声。

混响语音包含直接路径分量与反射声，而反射声又可进一步分为早期反射声与晚期反射声。

对比函数
设st=[s1,t,s2,t,…,sF,t]T为目标声源的信号分量向量。st的各个元素对应不同的频率分量，且假定这些分量之间是不相关的。设psf,t(st)与pzf,t(zf,t)分别为st与zf,t的概率密度函数。由于st与z1,t,z2,t,…,zF,t相互独立，因此在第t个块内的联合概率密度函数为psf,t(st)?∏f=1Fpzf,t(zf,t)。进一步有sf,tzf,t=Wf,txf,t=wf,tHxf,tBf,txf,t,F。此外，pxf,t({xf,t}f)=psf,t({wf,tHxf,t}f)×∏f=1Fpzf,t(B

实验设置
本研究采用了由48个微电机械系统（MEMS）麦克风构成的极其密集的阵列，这些麦克风按照8 × 6的垂直平面网格排列。如图1所示，该录音设备配备了48个工作状态的MEMS麦克风，它们被安排在5 × 7厘米的正方形阵列中（Amor等人，2021）。这种设计旨在实现高空间分辨率，以便进行多通道语音源分离。当有多个说话者处于相近位置时，该阵列必须能够分辨出间距很小的声音信号。

结论
本文提出了一种名为ICE-SE的算法，用于解决在高度混响且噪声大的环境中移动源语音增强问题。该算法为动态混合环境建立了一个时变分离向量混合模型，该模型同样也适用于静态混合环境。与常用的FastDIVA算法相比，ICE-SE算法为时变分离向量提供了改进的更新规则，因此在动态、高混响且噪声大的场景中表现出更优异的性能。此外，

CRediT作者贡献声明
Yuan Xie：写作——审稿与编辑，写作——初稿撰写。Qianqian Li：写作——审稿与编辑，写作——初稿撰写，资源获取，方法设计，资金申请。Zhipeng Chen：写作——审稿与编辑，方法设计，资金申请。

利益冲突声明
作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢
本研究主要得到了梧州科技计划项目（202502014）、中国国家自然科学基金（NSFC）（52305458，62003095）以及广东省教育厅创新团队项目（2024KCXTD031）的支持。

Yuan Xie|Qianqian Li|Zhipeng Chen|Wenchuan Chen|Weijun Sun
广州大学机电工程学院，中国广州510006