本發明專利技術涉及音頻降噪技術領域，尤其涉及一種基于深度學習的音頻降噪方法及系統。所述方法包括以下步驟：獲取原始音頻和與原始音頻所關聯的發聲設備運行數據；對原始音頻進行無效音頻剔除，從而生成有效音頻；對有效音頻進行音頻時間對齊，從而生成預處理后的標準音頻；將預處理后的標準音頻和與原始音頻所關聯的發聲設備進行音頻輸出模式檢測，生成單設備輸出音頻和多設備輸出音頻；對單設備輸出音頻進行音頻周期規律性分段，生成單設備短周期輸出頻譜數據和單設備長周期輸出頻譜數據。本發明專利技術通過無效音頻剔除、時間對齊、分層噪聲提取和異常噪聲識別，提高了降噪效果的準確性和實時性。
【技術實現步驟摘要】
本專利技術涉及音頻降噪，尤其涉及一種基于深度學習的音頻降噪方法及系統。
技術介紹
1、最初，音頻降噪主要依賴于傳統的信號處理方法，如頻譜減法和?wiener?濾波，這些方法通過對音頻信號的頻譜進行分析，減小噪聲成分，但效果有限，尤其在復雜背景噪聲環境下表現不佳。隨著深度學習的崛起，基于深度神經網絡（dnn）的音頻降噪方法開始取得突破。2014年，深度學習被廣泛應用于語音識別和聲音分離任務，深度神經網絡在特征學習方面展示了強大的能力。早期的音頻降噪方法采用了卷積神經網絡（cnn）和循環神經網絡（rnn），通過對時間序列音頻信號的學習，自動提取有效的噪聲特征，顯著提高了降噪效果。近年來，隨著模型結構的不斷優化和計算能力的提升，深度學習技術已成為音頻降噪的主流方法，尤其在實時降噪和低延遲音頻處理方面取得了顯著的進展。然而，目前現有技術通常處理單一設備的噪聲，忽略了多設備環境下的干擾，同時現有深度學習降噪模型通常是針對整體噪聲進行統一處理，缺乏對不同噪聲類型的細化識別和處理，近而導致降噪效果的準確性和實時性較低。
技術實現思路
1、基于此，有必要提供一種基于深度學習的音頻降噪方法及系統，以解決至少一個上述技術問題。
2、為實現上述目的，一種基于深度學習的音頻降噪方法，所述方法包括以下步驟：
3、步驟s1：獲取原始音頻和與原始音頻所關聯的發聲設備運行數據；對原始音頻進行無效音頻剔除，從而生成有效音頻；對有效音頻進行音頻時間對齊，從而生成預處理后的標準音頻；
>4、步驟s2：將預處理后的標準音頻和與原始音頻所關聯的發聲設備進行音頻輸出模式檢測，生成單設備輸出音頻和多設備輸出音頻；對單設備輸出音頻進行音頻周期規律性分段，生成單設備短周期輸出頻譜數據和單設備長周期輸出頻譜數據；對單設備短周期輸出頻譜數據和單設備長周期輸出頻譜數據進行分層噪聲提取，得到單設備短期運動頻振噪聲和單設備長周期環境干擾噪聲；5、步驟s3：對多設備輸出音頻進行設備集群地面回路噪聲提取，得到多設備集群噪聲；對單設備短期運動頻振噪聲、單設備長周期環境干擾噪聲以及多設備集群噪聲進行異常噪聲模式識別，生成異常噪聲模式識別數據；
6、步驟s4：根據異常噪聲模式識別數據對單設備短期運動頻振噪聲、單設備長周期環境干擾噪聲以及多設備集群噪聲進行每個時間幀上的功率譜相減，生成降噪后的有效音頻功率譜；通過逆傅里葉變換對降噪后的有效音頻功率譜進行音頻重構，得到降噪后的音頻信號。
7、本專利技術通過結合音頻和設備運行數據，為噪聲分析提供了額外的上下文信息，這能幫助分析設備狀態對音頻輸出的影響，具體的設備故障、性能不穩定等，從而為后續降噪提供有價值的參考。通過去除原始音頻中無效部分（如背景噪聲、靜音段等），減少了無關信息的干擾，確保了后續音頻降噪算法的有效性和計算效率。它使得系統更加聚焦于需要降噪的有效音頻部分，提高了降噪精度。音頻時間對齊通過確保多段音頻信號的同步，消除了時間偏差帶來的不一致性，避免了因為時間錯位而產生的不準確降噪結果，這對處理多個設備同時發聲的音頻尤其重要，有助于為后續的噪聲分離和分析提供更精確的輸入。通過檢測單設備和多設備的音頻輸出模式，有助于根據設備數量和配置對噪聲進行分類處理。具體的，在多設備環境中，可以針對性地識別和處理各個設備產生的噪聲，而不將其混淆，這為后續的噪聲去除提供了靈活的策略。該步驟通過將音頻信號分為短周期和長周期段，使噪聲提取更加細化。短周期頻譜數據主要針對快速變化的噪聲成分，而長周期頻譜數據則關注緩慢變化的環境噪聲。分段后，可以更精準地識別和消除不同頻率范圍內的噪聲，提高降噪效果。通過對不同周期數據的噪聲進行分層提取，能夠有效區分短期運動噪聲（如機械振動噪聲）與長期環境噪聲（如電器、空調等背景噪聲），有針對性地去除不同類型的噪聲，避免誤降噪，提高音頻的清晰度。在多設備環境中，不同設備之間的干擾和相互作用產生集群噪聲。此步驟通過提取設備集群噪聲，有助于識別由于設備配置或位置不當導致的噪聲，避免單一設備降噪時未考慮到的多設備干擾因素。通過異常噪聲模式識別，可以針對設備故障、意外干擾或其他非典型噪聲進行精準識別。識別這些異常噪聲模式后，系統可以避免將其作為常規噪聲進行處理，從而減少降噪過程中的誤刪或錯誤處理。對異常噪聲的精確識別提高了系統的魯棒性和降噪效果，尤其適用于復雜或不規則的噪聲環境。通過在每個時間幀上對噪聲進行功率譜相減，可以精確地去除短期運動噪聲、環境干擾噪聲和集群噪聲。相減處理基于噪聲模式識別數據，確保每種噪聲都得到針對性處理，這種逐幀的處理方式有效提高了降噪的精度，并保留了音頻的原始細節，避免了音質的過度損失。該步驟通過逆傅里葉變換將降噪后的有效音頻功率譜重構為音頻信號，使得降噪后的音頻更接近原始音頻的質量。逆傅里葉變換確保了頻域中的噪聲去除能有效還原到時域音頻，從而生成清晰、真實的音頻信號。此步驟確保了降噪后音頻的自然性和可聽性，避免了“金屬音”或“失真”等常見的降噪副作用。因此，本專利技術通過無效音頻剔除、時間對齊、分層噪聲提取和異常噪聲識別，提高了降噪效果的準確性和實時性。
8、優選的，步驟s1包括以下步驟：
9、步驟s11：獲取原始音頻和與原始音頻所關聯的發聲設備運行數據；
10、步驟s12：對原始音頻進行音頻采樣率轉換，生成采樣轉換音頻；
11、步驟s13：對采樣轉換音頻進行音頻端點檢測，得到音頻起始點和音頻結束點；基于音頻起始點和音頻結束點對采樣轉換音頻進行無效音頻剔除，從而生成有效音頻；
12、步驟s14：對有效音頻進行音頻短時幀分幀，生成音頻短時幀集；利用音頻短時幀集對有效音頻進行音頻時間對齊，從而生成預處理后的標準音頻。
13、本專利技術通過對原始音頻進行采樣率轉換、端點檢測和無效音頻剔除等步驟，可以顯著提高后續處理階段的效率，避免不必要的噪聲和無關信息干擾。音頻短時幀分幀和時間對齊的操作有助于確保音頻數據在時間軸上的一致性，便于進一步分析和處理，如語音識別、情感分析等任務。無效音頻剔除能夠去除不必要的背景噪聲或靜默段，保證音頻數據的質量，使得后續的信號處理更加精確。預處理后的標準音頻為后續的特征提取、分類、增強等處理步驟提供了一個標準化的基礎數據集，提升了整體處理流程的可靠性和準確性。通過消除無效或錯誤的音頻數據，可以提高系統在不同條件下的魯棒性，確保處理結果不受環境噪聲、設備誤差等因素的干擾。該預處理過程適用于各種發聲設備的數據，無論是語音采集設備、環境音采集設備還是其他音頻錄制設備，都可以通過此流程優化音頻數據，為不同應用場景提供一致、高質量的輸入數據。
14、優選的，步驟s2包括以下步驟：
15、步驟s21：將預處理后的標準音頻和與原始音頻所關聯的發聲設備進行音頻輸出模式檢測，當預處理后的標準音頻和與原始音頻所關聯的發聲設備的數量等于1時，則將預處理后的標準音頻標記為單設備輸出音頻；
16、步驟s22：當預處理后的標準音頻和與原始音頻所關聯本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的音頻降噪方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的音頻降噪方法，其特征在于，步驟S1包括以下步驟：
3.根據權利要求1所述的基于深度學習的音頻降噪方法，其特征在于，步驟S23包括以下步驟：
4.根據權利要求3所述的基于深度學習的音頻降噪方法，其特征在于，利用原始音頻所關聯的發聲設備運行數據對單設備短周期輸出頻譜數據進行音頻設備短期頻振噪聲分析包括：
5.根據權利要求1所述的基于深度學習的音頻降噪方法，其特征在于，步驟S24包括以下步驟：
6.根據權利要求1所述的基于深度學習的音頻降噪方法，其特征在于，對多設備輸出音頻進行設備集群地面回路影響分析包括：
7.根據權利要求1所述的基于深度學習的音頻降噪方法，其特征在于，步驟S4包括以下步驟：
8.一種基于深度學習的音頻降噪系統，其特征在于，用于執行如權利要求1所述的基于深度學習的音頻降噪方法，該基于深度學習的音頻降噪系統包括：
【技術特征摘要】
1.一種基于深度學習的音頻降噪方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的音頻降噪方法，其特征在于，步驟s1包括以下步驟：
3.根據權利要求1所述的基于深度學習的音頻降噪方法，其特征在于，步驟s23包括以下步驟：
4.根據權利要求3所述的基于深度學習的音頻降噪方法，其特征在于，利用原始音頻所關聯的發聲設備運行數據對單設備短周期輸出頻譜數據進行音頻設備短期頻振噪聲分析包括：
5.根據...
【專利技術屬性】
技術研發人員：劉建洪，陽銳，龍成，
申請(專利權)人：長沙東瑪克信息科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。