Die Sprachverbesserung ist ein technisches Verfahren zur Optimierung verrauschter Sprachsignale durch Unterdrückung von Rauschen, Nachhall und Interferenzen. Sie adressiert primär das Problem der beeinträchtigten Sprachverständlichkeit und -natürlichkeit, die durch Signalstörungen in komplexen akustischen Umgebungen verursacht wird. Diese Architektur umfasst Kernaufgaben wie Sprachwiederherstellung, Sprechererkennung, Sprachseparation und Rauschunterdrückung. Dabei bleiben die akustischen Merkmale der Originalsprache präzise erhalten, während Hintergrundgeräusche herausgefiltert werden. Forschungsergebnisse zeigen, dass moderne Sprachverbesserung die Leistungsgrenzen traditioneller statistischer Filter effektiv überwindet, das Hörerlebnis deutlich verbessert und eine ideale Ergänzung zur automatischen Spracherkennung und zum Audioverständnis darstellt. In Anwendungsszenarien wie Hörgeräten, Videokonferenzen und Sprachinteraktion in komplexen Umgebungen ermöglicht sie Systemen eine klare und äußerst robuste Spracherfassung und -verarbeitung.

Die Technologie zur Sprachverbesserung entstand Ende der 1970er Jahre aus der Signalverarbeitungsforschung. Ein wichtiger Meilenstein war die Veröffentlichung von Steven F. Boll, einem Wissenschaftler an der University of Utah, im Jahr 1979.Unterdrückung von akustischem Rauschen in der Sprache mittels SpektralsubtraktionIn seiner Arbeit (IEEE Transactions on Acoustics, Speech, and Signal Processing, Bd. 27, Nr. 2, S. 113–120) schlug er vor, das stationäre Hintergrundrauschenspektrum in Echtzeit mithilfe stiller Sprachsegmente zu schätzen und die Rauschkomponente direkt vom Kurzzeit-Fourier-Amplitudenspektrum des verrauschten Signals zu subtrahieren, um eine Verbesserung zu erzielen. Dieses effiziente Spektralsubtraktionsverfahren legte eine praktische Grundlage für die nachfolgende Forschung.

Darauf aufbauend veröffentlichten Y. Ephraim und D. Malah 1984 eine weitere wegweisende Arbeit mit dem Titel „...“.Sprachverbesserung mittels eines Kurzzeit-Spektralamplitudenschätzers mit minimalem mittleren quadratischen Fehler(IEEE Trans. Acoust., Speech, Signal Process., Bd. 32, Nr. 6, S. 1109–1121). Sie nahmen an, dass die Spektralkomponenten Gaußsche Zufallsvariablen sind, und leiteten einen Kurzzeit-Spektralamplitudenschätzer unter Verwendung des Kriteriums des minimalen mittleren quadratischen Fehlers ab, wodurch Rauschunterdrückung und Sprachverzerrung effektiv ausbalanciert wurden. Mitte der 1990er-Jahre führten Ephraim und H.L. Van Trees die Signalunterraummethode ein, bei der das verrauschte Signal in orthogonale Signal- und Rauschunterräume zerlegt und eine Projektionsfilterung durchgeführt wird, wodurch die Leistung bei niedrigem Signal-Rausch-Verhältnis verbessert wird.

Forscher der Universität für Wissenschaft und Technologie Chinas (USTC) und des Georgia Institute of Technology etablierten im September 2014 formell ein auf Deep Learning basierendes Regressionsparadigma. Repräsentative Forschungsergebnisse wurden in einer wegweisenden Arbeit auf dem Gebiet der Audio- und Akustikverarbeitung veröffentlicht.Ein Regressionsansatz zur Sprachverbesserung auf Basis tiefer neuronaler NetzeIn ihrer Arbeit abstrahierten sie die Sprachverbesserung als Regressionsproblem mithilfe tiefer neuronaler Netze und lernten die implizite Abbildung von verrauschten auf saubere Spektren direkt mit DNNs. Dies durchbrach die Grenzen traditioneller statistischer Annahmen und trieb die rasante Entwicklung der Sprachverbesserung im Zeitalter der KI voran. Diese Arbeiten stellen zusammen eine vollständige Evolution von der klassischen Spektrumverarbeitung hin zu datengetriebenen intelligenten Systemen dar und finden breite Anwendung in Bereichen wie Hörgeräten, Spracherkennung und Echtzeitkommunikation.