融合动态场景感知和注意力机制的声学回声消除算法

作者：许春冬^*; 黄乔月; 王磊; 徐锦武

来源：信号处理, 2024, 40(02): 396-405.

DOI：10.16798/j.issn.1003-0530.2024.02.017

• 声学回声消除
• 动态场景感知模块
• 全局注意力机制
• 卷积循环网络
• 联合损失函数

在实时语音频通话系统中，如何去除声学回声得到清晰语音是目前最受关注的难题之一。声学回声消除（Acoustic echo cancellation,AEC）技术旨在消除语音频通话系统中的声学回声，提高通话过程中的语音质量，给予用户良好的通话体验，但是传统回声消除系统存在去回声效果不明显、存在非线性回声残留以及无法实时处理回声等问题。因此，为解决上述存在问题，提出了一种动态场景感知模块（Dynamic scene perception module,DSPM）和全局注意力机制（Global attention mechanism,GAM）相结合的声学回声消除算法。该算法以卷积循环网络（Convolutional recurrent network,CRN）作为基线模型，提取语音信号的序列特征；首先，在其编码器中引入DSPM模块替换原因果卷积，根据场景动态分配卷积内核数量，加强模型的自适应性；其次，在编码器最后两层中分别引入GAM模块，放大空间通道间关系以及统筹全局交互，提升对语音信号特征的提取能力以及消除回声的性能；最后，通过将MSE损失函数和HuberLoss损失函数线性相加生成一种新的损失函数——MSE-HuberLoss，进一步提高模型的鲁棒性。实验结果表明，提出的GAM-DSPM-CRN模型的回声消除性能优秀，且获得较基线模型更加清晰的重构语音信号；在双端通话环境下，提出的GAM-DSPM-CRN模型声学回声消除算法较其他对比算法性能有较大提升；在Microsoft AEC Challenges数据集上，MOS、ERLE和STOI的得分分别达到了4.09、57.43和0.78。

• 单位
  江西理工大学