改进输入条件不变语音增强的设计

构建一个能处理任意输入的单一通用语音增强（SE）系统是一个需求迫切但探索不足的研究课题。为了实现这一最终目标，一个方向是构建一个单一模型，能够在嘈杂和混响场景中处理多样的音频时长、采样频率和麦克风变化，我们在此将其定义为“输入条件不变语音增强”。最近提出的一种此类模型显示出有前景的性能；然而，其多通道性能在实际条件下严重下降。在本文中，我们提出了新颖的架构来改进输入条件不变语音增强模型，使其在模拟条件下的性能保持竞争力，同时大大减轻实际条件下的性能下降。为此，我们重新设计了构成此类系统的关键组件。首先，我们识别出通道建模模块对未见场景的泛化能力可能并非最优，并重新设计了这个模块。我们进一步引入了一种两阶段训练策略以提高训练效率。其次，我们提出了两种新颖的双路径时频块，与现有方法相比，它们以更少的参数和计算成本展示了卓越的性能。综合所有提议，在多个公共数据集上的实验验证了所提模型的有效性，在实际条件下性能显著提升。包含完整模型细节的方案已在 https://github.com/espnet/espnet 发布。