CN119400197A 一种音频降噪系统、降噪方法及车载音频系统 （上海灵境声学技术股份有限公司）

统2特征提取层，其从所述音频频谱中提取音频特征，所述编码器解码器架构，该架构的编码器用于压缩所述特输出重建模块，其被配置为对分离出来的人声音频信号的频率特征收集多个噪声音频，生成对应的噪声音频频谱，并根据述卷积神经网络或递归神经网络基于NPU或GP根据该样本的标签中的噪声音频频谱和人声音频频谱，计算人声根据每个音频帧的时间长度和相邻音频帧之间的偏移时间长度以离散点处的基准瞬时函数为目标，优化所述卷积神经网络或递归神经网络的权重，使估计得到的瞬时函数与对应离散点处的基准瞬时函数3训练好的深度神经网络分离模块配置有针对不同所述自适应掩模生成器根据不同的模型计算路径调整生成频谱掩码所涉及的噪声与9.根据权利要求8所述的音频降噪系统，其特征在于，所述系统基于NPU或GPU实时运若是，则当所述自适应掩模生成器在对应该音频组的时间特征收集多个噪声音频，生成对应的噪声音频频谱，并根据述卷积神经网络或递归神经网络基于NPU或GP根据该样本的标签中的噪声音频频谱和人声音频频谱，计算人声根据每个音频帧的时间长度和相邻音频帧之间的偏移时间长度4以离散点处的基准瞬时函数为目标，优化所述卷积神经网络或递归神经网络的权重，使估计得到的瞬时函数与对应离散点处的基准瞬时函数训练好的深度神经网络分离模块配置有针对不同在生成频谱掩码之前，根据不同的模型计算路径调整生成频若是，则在对应该音频组的时间特征生成频谱掩码时，调整5[0006]第四，目前的降噪系统在实际应用中对于输入音频格式6编码器解码器架构，该架构的编码器用于压缩所述特征提取层输出的音频特征，输出重建模块，其被配置为对分离出来的人声音频信号的频率特征进行逆变换，还包括优化模块，其被配置为优化所述深度神经网络分离模块的模型架构，使其在NPU或利用收集的多个学习样本及对应的标签对卷积神经网络或递归神经网络进行训7先对所述特征向量中所述各个通道的值执行均值类型的学习样本，利用二元交叉熵损失函数对所述卷积神经网络或递归神经网络进行训训练好的深度神经网络分离模块配置有针对不同所述自适应掩模生成器根据不同的模型计算路径调整生成频谱掩码所涉及的噪若是，则当所述自适应掩模生成器在对应该音频组的时间特征生成频谱掩码时，利用收集的多个学习样本及对应的标签对卷积神经网络或递归神经网络进行训8先对所述特征向量中所述各个通道的值执行均值类型的学习样本，利用二元交叉熵损失函数对所述卷积神经网络或递归神经网络进行训训练好的深度神经网络分离模块配置有针对不同9图2为本发明的一个示例性实施例提供的深度神经网络分离模块的训练流程示意图3为本发明的一个示例性实施例提供的神经网络基于NPU执行运算的流程示意图4为本发明的一个示例性实施例提供的音频降噪系统分离人声音频与噪声音频员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范编码器解码器架构，该架构的编码器用于压缩所述特征提取层输出的音频特征，[0033]输出重建模块，其被配置为对分离出来的人声音频信号[0034]在深度学习领域，潜在空间降噪涉及到将噪声数据映射练好的深度神经网络分离模块针对不同噪声类型配置不所述自适应掩模生成器根据不同的模型计算路径调整生成频谱掩码所涉及的噪利用收集的多个学习样本及对应的标签对卷积神经网络或递归神经网络进行训利用二元交叉熵损失函数对所述卷积神经网络或递归神经网络进行训练。所述卷积络或递归神经网络基于NPU（NeuralProcessingUnit，神经网络处理单元）或GPU所示的运算流程：基于所述特征向量，估计该音频帧中人声音频频谱与噪声音频频谱的瞬时函数，若是，则当所述自适应掩模生成器在对应该音频组的时间特征生成频谱掩码时，利用收集的多个学习样本及对应的标签对卷积神经网络或递归神经网络进行训基于所述特征向量，估计该音频帧中人声音频频谱与噪声音频频谱的瞬时函数；在估计瞬时函数之前，先对所述特征向量中所述各个通道的值执行均值和方差归一化操训练好的深度神经网络分离模块配置有针对不同