终端智能语音处理技术与应用

语音是最有效的人机交互方式之一。人工智能与传统语音技术相结合使其在家居、可穿戴、机器人、车载等智能终端设备上得到了普及。终端设备具有低资源、实时性、应用场景复杂多变等特点，对算法提出了更严格的要求。本书介绍了面向端侧设备的若干智能语音处理技术，书中主要采用了传统信号处理与深度学习相结合的方法论，并且介绍了在实际工程应用中的若干心得，适合于理工科高年级本科生、研究生，以及语音领域的工程师阅读。

1 终端智能语音处理概述 1
1.1 引言1
1.2 问题和挑战 3
1.3 发展历史概要5
1.4 本书的组织结构8
1.5 本书的适用人群10
1.6 常用表示和符号对照10
1.6.1 默认符号 10
1.6.2 对离散时间序列的表示 11
1.6.3 关于索引序号从0 还是1 开始的说明 12
1.7 关于中英文混写的说明13
1.8 免责声明 14
1.9 本章小结 14

―理论篇―
2 子带滤波 21
2.1 离散傅里叶变换与短时傅里叶变换 22
2.1.1 离散傅里叶变换 22
2.1.2 短时傅里叶变换 23
2.1.3 输出延时26
2.1.4 频谱泄漏 27
2.1.5 时域卷积与频域点积的近似关系 30
2.2 多相滤波器组 32
2.2.1 对频谱泄漏的数学解释32
2.2.2 扇形损失 34
2.2.3 重采样35
2.2.4 多相滤波器组 40
2.3 滤波器设计基础 43
2.4 本章小结45

3 固定波束形成47
3.1 多通道语音增强的基本原理 48
3.1.1 物理解释 48
3.1.2 几何解释50
3.2 远场模型 52
3.3 波束形成及阵列性能评价 56
3.3.1 beampattern 56
3.3.2 directivity index 60
3.3.3 white noise gain 63
3.3.4 effective rank 65
3.4 波束形成算法的求解形式67
3.4.1 superdirective beamforming 68
3.4.2 差分波束形成69
3.5 本章小结72

4 自适应波束形成 74
4.1 递推求平均 75
4.2 典型自适应波束形成算法77
4.2.1 MVDR 算法 78
4.2.2 PMWF 算法82
4.3 共轭对称矩阵求逆 83
4.3.1 1 × 1 和2 × 2 矩阵求逆84
4.3.2 Cholesky 分解84
4.3.3 矩阵求逆引理 87
4.3.4 IQRD 方法 89
4.3.5 误差与稳定性90
4.4 本章小结 93

5 盲源分离 96
5.1 信号模型97
5.1.1 瞬时模型 97
5.1.2 卷积模型 98
5.2 独立成分分析 100
5.2.1 独立性假设与中心极限定理 101
5.2.2 ICA 的目标函数103
5.2.3 AuxICA 算法 107
5.2.4 2 × 2 广义特征分解问题 112
5.2.5 排列歧义性与尺度歧义性 114
5.3 独立向量分析 117
5.3.1 IVA 的目标函数 118
5.3.2 AuxIVA 算法121
5.3.3 两级架构 125
5.4 盲源分离与波束形成的联系和区别 130
5.5 本章小结 132

6 回声消除与去混响136
6.1 信号模型 138
6.1.1 回声消除信号模型 138
6.1.2 去混响信号模型140
6.2 LMS 与NLMS 算法143
6.3 RLS 算法 145
6.3.1 最小二乘法 146
6.3.2 RLS 算法 151
6.4 一种基于盲源分离的回声消除方法155
6.4.1 问题背景 155
6.4.2 算法推导157
6.4.3 对比实验 160
6.5 本章小结 162

7 数据模拟 164
7.1 信号模型和系统框架 165
7.2 传函的模拟与测量167
7.2.1 镜像法传函模拟 167
7.2.2 传函测量 174
7.2.3 分块卷积176
7.3 非线性回声模拟 178
7.4 散射噪声模拟 180
7.5 信噪比和音量 186
7.6 本章小结187

8 深度语音增强 190
8.1 信号模型 192
8.2 时频掩蔽 193
8.3 损失函数 196
8.4 深度回声残余抑制 197
8.4.1 数据准备 198
8.4.2 输入特征 198
8.4.3 模型结构 199
8.5 多通道语音增强模型 200
8.5.1 基于掩蔽的波束形成算法 201
8.5.2 深度神经网络空域滤波算法 202
8.6 歌曲成分分离 203
8.7 本章小结 205

9 语音活动性检测208
9.1 HMMVAD209
9.1.1 HMM 基础210
9.1.2 前向算法与后向算法 213
9.1.3 Viterbi 算法 216
9.1.4 Baum-Welch 算法 219
9.1.5 下溢问题 220
9.1.6 在线HMMVAD222
9.2 NNVAD 225
9.2.1 一种NNVAD 模型 226
9.2.2 一种NN 和HMM 结合的VAD229
9.3 VAD 性能评价 230
9.4 本章小结 232

10 关键词检测 234
10.1 特征提取 235
10.2 声学模型 237
10.2.1 建模单元 237
10.2.2 声学模型 239
10.2.3 关于声学模型工作原理的讨论242
10.3 解码器 247
10.3.1 阈值与动态阈值 249
10.3.2 关于ROC 曲线与阈值选择的讨论 253
10.4 虚警问题 255
10.4.1 对虚警现象的直观解释 255
10.4.2 减少虚警的方法 256
10.4.3 对比实验 258
10.5 多通道关键词检测与通道选择 260
10.5.1 问题背景 260
10.5.2 模型与训练方法 262
10.5.3 实验与分析 263
10.6 本章小结 269

11 联合优化方法 272
11.1 盲源分离统一框架273
11.1.1 信号模型 273
11.1.2 问题拆解 275
11.1.3 对比实验 276
11.2 语音增强与关键词检测联合优化 279
11.2.1 系统框架 280
11.2.2 语音增强模块 282
11.2.3 关键词检测模块 282
11.2.4 实验现象 284
11.3 本章小结 285

12 模型量化 288
12.1 模型量化方法 288
12.1.1 训练后量化 288
12.1.2 训练时量化 290
12.1.3 无数据量化 291
12.2 关键词检测模型的无数据量化方法 292
12.2.1 时序数据生成器 293
12.2.2 中心距离约束与双生成器 293
12.2.3 高质量筛选 295
12.2.4 时间掩码量化蒸馏 296
12.2.5 无数据量化流程 297
12.2.6 无数据量化实验 299
12.3 本章小结 303

―工程篇―

13 终端智能语音处理工具包307
13.1 系统框架 308
13.2 配置参数详解 310
13.2.1 通用参数 310
13.2.2 回声消除 313
13.2.3 去混响 314
13.2.4 多通道语音增强 314
13.2.5 深度语音增强 315
13.2.6 后滤波 316
13.2.7 自动增益控制 316
13.2.8 音量计算 317
13.2.9 声源定位 317
13.2.10 语音活动性检测 318
13.2.11 关键词检测319
13.2.12 命令词检测321
13.2.13 产线测试，模型训练321
13.3 主要离线工具示例322
13.3.1 SoundConnect 离线工具 322
13.3.2 批处理工具 322
13.4 示例程序 323
13.4.1 从配置文件初始化 323
13.4.2 从Params.c 文件初始化 324
13.5 本章小结 326

14 模型训练 327
14.1 数据准备 328
14.1.1 正样本数据 329
14.1.2 负样本和噪声数据 332
14.2 环境配置 333
14.2.1 传函模拟 335
14.2.2 目标语音模拟 336
14.2.3 干扰信号模拟 338
14.2.4 回声模拟 339
14.2.5 噪声模拟 339
14.2.6 音量和增益 340
14.2.7 生成模拟音频 340
14.3 模型训练 342
14.3.1 训练环境 342
14.3.2 训练流程 343
14.3.3 模型训练技巧总结 345
14.4 模型测试 348
14.4.1 测试环境 348
14.4.2 评价指标 349
14.4.3 测试集的录制与准备 350
14.4.4 测试流程 352
14.5 模型发布 355
14.6 本章小结 356

附录A 358
A.1 复数求偏导和共轭偏导 358
A.2 共轭求导示例 359
A.2.1 向量求导 359
A.2.2 二次型求导 360