Ce papier présente un réseau neuronal à mémoire à long terme à transformation de signaux duals (DTLN) pour l’amélioration en temps réel de la parole dans le cadre du Deep Noise Suppression Challenge (DNS-Challenge). Cette approche combine une transformation de Fourier à court terme (STFT) et une base d’analyse et de synthèse apprise dans une architecture en réseau empilé, avec moins d’un million de paramètres. Le modèle a été entraîné sur 500 heures de parole bruitée fournies par les organisateurs du défi. Le réseau est capable de traitement en temps réel (un cadre d’entrée, un cadre de sortie) et atteint des résultats compétitifs. La combinaison de ces deux types de transformations de signaux permet au DTLN d’extraire de manière robuste des informations à partir des spectres d’amplitude tout en intégrant des informations de phase issues de la base fonctionnelle apprise. La méthode obtient des performances de pointe et dépasse la référence du DNS-Challenge de 0,24 point en score moyen d’opinion (MOS).