摘要
近年来，深度神经网络（DNN）在语音增强领域取得了成功应用，基于DNN的语音增强已成为一个极具吸引力的研究方向。尽管过去几年中，基于短时傅里叶变换（STFT）的时频掩蔽方法在DNN语音增强中被广泛采用，但时域方法如时域音频分离网络（TasNet）也相继被提出。最适合的方法取决于数据集的规模以及具体任务类型。本文针对两个不同数据集，系统探索了最优的语音增强算法。我们提出了一种基于STFT的方法，并引入一种利用与任务无关的语音编码器（PASE）特征的损失函数，以提升小规模数据集上的主观语音质量。所提出的方法在Voice Bank + DEMAND数据集上表现优异，且在性能上优于其他先进方法。此外，我们还实现了一个低延迟版本的TasNet，并将其提交至DNS挑战赛，同时通过开源方式公开发布。该模型在DNS挑战赛数据集上取得了卓越的性能表现。