重构处理失真：离散语音增强误差对语音识别性能的解耦影响

在噪声环境下提高单通道语音识别（ASR）性能具有挑战性，通常归因于单通道语音增强（SE）前端的非线性处理所致的处理失真。然而，导致ASR性能下降的根本原因尚未充分调查。如何设计能够显著提升ASR性能的单通道SE前端仍是开放问题。本研究调查了一种可解释ASR性能下降原因的信号级数值指标。为此，我们提出一种基于SE误差正交投影分解的新型分析方案。该方案手动修改分解后的干扰、噪声和伪影误差比例，使我们能够直接评估每种误差类型对ASR性能的影响。我们的分析揭示了伪影误差对ASR性能影响尤为严重，其他误差类型影响较小。这为我们提供了更原则化的处理失真定义，以解释ASR性能下降的原因。随后，我们研究了两种实际可行的降低伪影误差影响的方法。首先，我们证明了简单观察添加（OA）后处理（即对增强信号与观察信号进行插值）可单调提高信噪比。其次，我们提出一种新型训练目标，称为基于伪影提升的信噪比（AB-SDR），该目标迫使模型估计的增强信号具有更少的伪影误差。通过实验，我们确认OA和AB-SDR两种方法在降低单通道SE前端产生的伪影误差方面均有效，从而显著提高了ASR性能。