基于奇异值分解的时间图频率表示用于神经语音增强

时频（T-F）域方法对于单声道语音增强受益于深度学习的成功。最近，关注点放在设计双流网络模型来分别预测�幅掩码和相位，或将�幅和相位耦合到笛卡尔坐标中并构建实数和虚数配对。然而，大多数方法都受到双流网络框架下�幅和相位（实数和虚数配对）对齐建模的限制。本文引入一种基于奇异值分解（SVD）定义的图形傅里叶变换（GFT-SVD）， resulting in real-valued time-graph representation for neural speech enhancement。这种基于实数时间图表示的GFT-SVD提供了对�幅和相位对齐建模的能力，从而避免恢复目标语音相位信息。我们的发现表明，基于GFT-SVD的实数时间图表示对于中性语音增强具有影响。广泛的语音增强实验表明，GFT-SVD与DNN的组合优于GFT与特征向量分解（GFT-EVD）和幅度估计 UNet 的组合，也优于短时傅里叶变换（STFT）和 DNN， 在客观 intelligibility 和感知质量方面。我们在 https://github.com/Wangfighting0015/GFT_project 上发布了源代码。