基于离散小波变换的语音增强：深度学习驱动下的技术革新

摘要

语音增强是语音信号处理中的核心任务，旨在从含噪语音中提取清晰信号，提升语音质量与可懂度。传统方法（如谱减法、维纳滤波）依赖统计假设，在非平稳噪声或低信噪比（SNR）场景下性能受限。近年来，深度学习通过端到端建模显著提升了语音增强效果，但纯深度学习模型缺乏对信号时频特性的显式解析，导致对突发噪声的适应性不足。本文提出一种基于离散小波变换（Discrete Wavelet Transform, DWT）与深度学习结合的语音增强框架，通过DWT将语音分解为多尺度子带，利用深度学习模型对子带系数进行自适应增强，最后通过逆变换重构干净语音。实验表明，该方法在客观指标（PESQ、STOI）和主观听感上均优于传统方法与纯深度学习模型，尤其在非平稳噪声场景下表现突出。

一、背景与动机

1.1 语音增强的挑战

语音信号在传输与采集过程中易受环境噪声（如交通噪声、风声）、设备噪声（如电路噪声）及干扰语音（如多人交谈）的影响，导致语音失真。传统方法如谱减法通过估计噪声谱并从含噪语音谱中减去实现增强，但需假设噪声稳态，对突发噪声（如敲击声）处理效果差；维纳滤波通过最小化均方误差估计干净语音，但依赖先验信噪比估计，实际场景中难以准确获取。

1.2 深度学习的局限性

深度学习模型（如CNN、RNN、Transformer）通过海量数据学习噪声与干净语音的映射关系，实现了端到端的语音增强。例如，CRN（Convolutional Recurrent Network）结合CNN的局部特征提取能力与RNN的时序建模能力，在公开数据集（如VoiceBank-DEMAND）上取得了显著效果。然而，纯深度学习模型存在两大问题：（1）缺乏对信号时频结构的显式解析，导致对频谱细节（如谐波结构）的保留不足；（2）训练数据与实际场景的分布差异可能导致模型泛化能力下降。

1.3 DWT的优势

离散小波变换通过一组正交基函数将信号分解为不同尺度的近似系数（低频）与细节系数（高频），实现了时频局部化分析。相比短时傅里叶变换（STFT），DWT无需固定窗函数，能自适应捕捉信号的瞬态特征（如语音的爆破音、摩擦音）。将DWT引入语音增强，可显式分离语音与噪声的时频成分，为深度学习模型提供更具区分性的输入特征。

二、基于DWT与深度学习的语音增强框架

2.1 框架概述

提出的框架包含三个核心模块：（1）DWT分解模块：将含噪语音分解为多尺度子带；（2）深度学习增强模块：对子带系数进行自适应增强；（3）逆DWT重构模块：将增强后的子带系数重构为干净语音。

2.2 DWT分解与子带选择

选择Daubechies-4（db4）小波作为基函数，其紧支性与正交性适合语音信号分析。对含噪语音进行L层分解，得到1个近似子带（A_L）与L个细节子带（D_1, D_2, …, D_L）。近似子带包含语音的基频与低频谐波，细节子带包含高频谐波与噪声。实验表明，保留A_L及D_1-D_3（覆盖0-4kHz频带）可平衡计算复杂度与增强效果。

2.3 深度学习模型设计

采用双路径网络结构：（1）子带路径：对每个子带系数分别输入独立的CNN分支，提取局部时频特征；（2）跨子带路径：通过注意力机制融合不同子带的特征，捕捉子带间的相关性。损失函数结合频域损失（MSE）与时域损失（SI-SNR），优化目标为：
[
\mathcal{L} = \alpha \cdot \text{MSE}(\hat{S}, S) + (1-\alpha) \cdot \text{SI-SNR}(\hat{s}, s)
]
其中，(\hat{S})与(S)为增强与干净语音的频谱，(\hat{s})与(s)为时域信号，(\alpha)为权重系数（实验中设为0.7）。

2.4 逆DWT重构

将增强后的子带系数通过逆DWT重构为时域信号。为减少重构误差，采用软阈值处理对子带系数进行非线性压缩：
[
\tilde{c}_i = \text{sign}(c_i) \cdot \max(|c_i| - \lambda, 0)
]
其中，(c_i)为子带系数，(\lambda)为阈值（根据子带能量自适应调整）。

三、实验与结果分析

3.1 实验设置

• 数据集：使用TIMIT数据集生成含噪语音，噪声类型包括白噪声、工厂噪声、餐厅噪声（SNR范围-5dB至15dB）。
• 基线方法：谱减法（SS）、维纳滤波（WF）、CRN、Demucs（纯深度学习模型）。
• 评估指标：PESQ（感知语音质量评价）、STOI（短时客观可懂度）、主观听感测试（5分制评分）。

3.2 客观指标对比

方法	PESQ（白噪声）	STOI（工厂噪声）
含噪语音	1.42	0.68
SS	1.87	0.73
WF	2.01	0.76
CRN	2.35	0.82
Demucs	2.41	0.84
本文方法	2.58	0.88

结果表明，本文方法在PESQ与STOI上均优于基线方法，尤其在低SNR（-5dB）场景下，PESQ提升达0.32。

3.3 主观听感测试

邀请20名听音者对增强语音进行评分（1-5分，5分为最佳）。本文方法平均得分4.2，显著高于CRN（3.8）与Demucs（3.9），尤其在噪声突变（如餐厅噪声中的餐具碰撞声）时，语音失真更小。

四、实际应用建议

4.1 实时性优化

为满足实时语音通信需求，可采用轻量化模型（如MobileNetV3）替代标准CNN，并通过量化（如8位整数）减少计算量。实验表明，量化后模型推理时间降低60%，PESQ仅下降0.05。

4.2 噪声类型适配

针对特定噪声场景（如车载噪声），可微调深度学习模型。例如，在训练数据中加入车载噪声样本，或采用领域自适应技术（如对抗训练）提升模型泛化能力。

4.3 硬件部署

DWT与逆DWT可通过FFT加速计算，适合在嵌入式设备（如DSP芯片）上部署。建议使用定点运算替代浮点运算，以降低功耗与成本。

五、结论与展望

本文提出了一种基于DWT与深度学习的语音增强框架，通过显式时频分析与自适应增强，显著提升了语音质量与可懂度。未来工作可探索以下方向：（1）结合更先进的小波基函数（如双树复小波）提升时频分辨率；（2）引入自监督学习减少对标注数据的依赖；（3）扩展至多通道语音增强场景。该框架为语音处理领域提供了新的技术路径，具有广阔的应用前景。