摘要
无线电语音回声（Radio Speech Echo）是航空交通管制（ATC）领域中的一种特定现象，会降低语音质量，并进一步影响自动语音识别（ASR）系统的准确性。本文提出了一种面向时域识别的语音增强（Recognition-Oriented Speech Enhancement, ROSE）框架，基于卷积编码器-解码器结构的U-Net模型，旨在提升语音可懂度并增强ASR识别准确率。该框架可作为即插即用工具直接应用于ATC场景，无需对ASR模型进行额外微调。具体而言，本工作包含以下三方面创新：1）在U-Net架构中引入基于注意力机制的跳跃连接融合（Attention-based Skip-Fusion, ABSF）模块，利用注意力掩码从编码器中挖掘共享特征，实现对多层次特征的有效融合；2）创新设计了通道与序列注意力（Channel and Sequence Attention, CSAtt）模块，通过双并行注意力路径引导模型聚焦于具有信息量的特征，从而增强有效表征并抑制干扰噪声；3）基于人工设计的特征，构建面向ASR优化的目标函数，通过学习鲁棒的特征表示来提升在ATC环境下的识别性能。ROSE框架采用多目标学习策略，同时融合面向语音增强（SE）与面向ASR的损失函数，在共享表示层面联合优化两个任务目标。实验结果表明，ROSE在语音增强与自动语音识别两项任务上均显著优于现有最先进方法，所有提出的改进均通过对照实验得到验证。此外，该方法在公开数据集上亦能实现预期的性能提升，展现出良好的泛化能力与实用价值。