本申請涉及語音處理，更具體地，涉及一種基于判別-生成聯(lián)合模型的語音增強方法、裝置、電子設(shè)備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。
背景技術(shù)：
1、語音增強（speech?enhancement，se）旨在從被各種退化類型（包括背景噪聲、房間混響、編解碼器偽影等）干擾的音頻信號中恢復出干凈語音信號，其被廣泛用作人機交互、遠程會議等應(yīng)用的前端模塊。
2、現(xiàn)有的許多se方法通常是任務(wù)驅(qū)動的，分別針對去噪、去混響或語音超分辨任務(wù)進行設(shè)計。然而相關(guān)技術(shù)的語音增強方式其輸出的增強語音與實際相差較大，而且使用的計算資源較多。
技術(shù)實現(xiàn)思路
1、有鑒于此，本申請?zhí)峁┝艘环N基于判別-生成聯(lián)合模型的語音增強方法、裝置、電子設(shè)備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。
2、本申請的一個方面提供了一種基于判別-生成聯(lián)合模型的語音增強方法，包括：
3、獲取待處理語音信號，其中，上述待處理語音信號表征帶有噪音的語音信號；
4、將上述待處理語音信號輸入至判別-生成聯(lián)合模型，得到預測頻域信息和預測分數(shù)函數(shù)，其中，上述判別-生成聯(lián)合模型包括語音判別網(wǎng)絡(luò)、語音交互網(wǎng)絡(luò)和語音生成網(wǎng)絡(luò)，上述語音交互網(wǎng)絡(luò)用于對上述語音判別網(wǎng)絡(luò)和上述語音生成網(wǎng)絡(luò)中的隱特征進行融合以使得上述語音生成網(wǎng)絡(luò)根據(jù)融合隱特征生成上述預測分數(shù)函數(shù)；
5、根據(jù)上述預測頻域信息和上述預測分數(shù)函數(shù)，生成增強語音信號。
6、本申請的另一個方面提供了一種語音增強裝置，包括：
7、獲取模塊，用于獲取待處理語音信號，其中，上述待處理語音信號表征帶有噪音的語音信號；
8、處理模塊，用于將上述待處理語音信號輸入至判別-生成聯(lián)合模型，得到預測頻域信息和預測分數(shù)函數(shù)，其中，上述判別-生成聯(lián)合模型包括語音判別網(wǎng)絡(luò)、語音交互網(wǎng)絡(luò)和語音生成網(wǎng)絡(luò)，上述語音交互網(wǎng)絡(luò)用于對上述語音判別網(wǎng)絡(luò)和上述語音生成網(wǎng)絡(luò)中的隱特征進行融合以使得上述語音生成網(wǎng)絡(luò)根據(jù)融合隱特征生成上述預測分數(shù)函數(shù)；
9、生成模塊，用于根據(jù)上述預測頻域信息和上述預測分數(shù)函數(shù)，生成增強語音信號。
10、本申請的另一個方面提供了一種電子設(shè)備，包括：
11、一個或多個處理器；
12、存儲器，用于存儲一個或多個程序，
13、其中，當所述一個或多個程序被所述一個或多個處理器執(zhí)行時，使得所述一個或多個處理器實現(xiàn)如上所述的方法。
14、本申請的另一方面提供了一種計算機可讀存儲介質(zhì)，存儲有計算機可執(zhí)行指令，所述指令在被執(zhí)行時用于實現(xiàn)如上所述的方法。
15、本申請的另一方面提供了一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括計算機可執(zhí)行指令，所述指令在被執(zhí)行時用于實現(xiàn)如上所述的方法。
1.一種基于判別-生成聯(lián)合模型的語音增強方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述判別-生成聯(lián)合模型是通過如下方式訓練的：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，基于注意力機制，利用語音判別網(wǎng)絡(luò)對所述初始頻域信息中幅度和相位進行處理，得到目標判別隱特征和目標頻域信息，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，將所述幅度狀態(tài)變量和所述目標生成隱特征輸入至所述語音生成網(wǎng)絡(luò)，對所述幅度狀態(tài)變量，輸出目標分數(shù)函數(shù)，包括：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述判別編碼器和所述生成編碼器通過如下方式進行數(shù)據(jù)處理：
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，利用m個子帶下采樣塊處理所述第一卷積特征，得到第一輸出特征，包括：
7.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述第一雙路徑循環(huán)注意力網(wǎng)絡(luò)和所述第二雙路徑循環(huán)注意力網(wǎng)絡(luò)的數(shù)量為l；
8.根據(jù)權(quán)利要求2或4所述的方法，其特征在于，利用語音交互網(wǎng)絡(luò)對所述目標判別隱特征和初始生成隱特征進行加權(quán)融合，得到所述目標生成隱特征，包括：
9.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述第一雙路徑循環(huán)注意力網(wǎng)絡(luò)和所述第二雙路徑循環(huán)注意力網(wǎng)絡(luò)中任一雙路徑循環(huán)注意力網(wǎng)絡(luò)通過如下方式進行數(shù)據(jù)處理：
10.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述目標頻域信息包括目標幅度信息和目標復數(shù)信息，所述標簽語音信息包括標簽幅度信息和標簽復數(shù)信息；