TAPLoss：一种用于语音增强的时间声学参数损失

语音增强模型近年来取得巨大进展，但其语音输出的感知质量仍显不足。我们提出了一种基于时间声学参数的感知质量目标函数。这些是基础语音特征，在包括说话人识别与副语言分析在内的各种应用中发挥重要作用。我们为四类低级声学描述符提供了可微估计器，涉及：频率相关参数、能量或振幅相关参数、谱平衡参数以及时间特征。不同于先前考察聚合声学参数或少数几类声学参数的工作，我们的时间声学参数（TAP）损失能够在增强流程中实现许多细粒度语音特征的辅助优化与改进。我们表明，在语音增强中将 TAPLoss 作为辅助目标，可产出具有改善感知质量与可懂度的语音。我们使用来自 Deep Noise Suppression 2020 Challenge 的数据证明，时域模型与时频域模型均可从我们的方法中受益。