Zlepšování řečových nahrávek pořízených v reálném prostředí

Ing. Tomáš Kounovský

Diplomová práce

Enhancement of Real-world Speech Recordings

Anotace:

Tato práce se zabývá problematikou zlepšování řečových nahrávek reálného charakteru odstraněním nežádoucího šumu v logaritmické výkonové spektrální oblasti pomocí hlubokých neuronových sítí. Velká databáze čistých řečových nahrávek je aditivně degradována několika druhy šumu na různých úrovních SNR a slouží jako trénovací sada pro dopřednou hlubokou neuronovou síť. Dvě sítě jsou natrénovány na odlišně sestavených trénovacích sadách tak, aby se naučily vztah mezi zašuměnou a čistou řečí. Jejich schopnosti odstranění šumu z nahrávek jsou otestovány ve známých i neznámých šumových podmínkách a porovnány s některými konvenčními metodami. Sítě jsou otestovány i v neznámých řečových podmínkách pomocí malé testovací databáze české řeči. Výsledky ukazují, že síť natrénovaná na databázi obsahující více druhů šumu je robustnější při zlepšování řeči degradované neznámým druhem šumu. Zároveň je tato síť schopna konkurovat konvenčním metodám při odstraňování šumu stacionárního charakteru a překonat je při odstraňování šumu silně nestacionárního.

Abstract:

This thesis is focused on enhancement of real speech recordings by noise removal in the log-power spectrum using deep neural networks. Large database of clean speech is artificially corrupted by multiple noise types with multiple SNR levels and is used for training of a deep feedforward neural network. Two networks are trained in differently oriented training sets to learn the mapping from noisy to clean speech. The resulting network performance is then evaluated in matched and mismatched noise conditions and compared to some conventionally used methods. Both networks are also tested in mismatched speaker language conditions on a small czech speech database. Results show that a network trained on a database containing more noise types has more robust capabilities in speech enhancement by noise removal. Performance of this network is comparable with performance of conventionally used methods in stationary noise conditions and surpasses them when the noise is highly non-stationary.

Klíčová slova

Neuronové sítě, odstranění šumu, zpracování zvukového signálu, řečová nahrávka

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 16. 5. 2016

Obhajoba závěrečné práce

• Obhajoba proběhla 15. 6. 2016
• Vedoucí: Ing. Jiří Málek, Ph.D.

Technická univerzita v Liberci

Fakulta mechatroniky, informatiky a mezioborových studií

Magisterský studijní program / obor:
Elektrotechnika a informatika / Informační technologie