传统语音增强——最小方均(LMS)自适应滤波算法

语音增强经典MMSE算法，出自loizou speech enhancement

针对现有的助听器语音增强算法在非平稳噪声环境下，残留大量背景噪声的同时还引入了“音乐噪声”，致使增强语音可懂度和信噪比不理想等问题。提出了一种基于噪声估计的二值掩蔽语音增强算法，该算法利用人耳听觉感知理论，结合人耳的听觉特性和耳蜗的工作机理。采用最小值控制递归平均（Minima-Controlled Recursive Averaging，MCRA）算法获得估计噪声和初步增强语音；将估计噪声和初步增强语音分别通过可以模拟人工耳蜗模型的gammatone滤波器组进行滤波处理，得到各自的时频表示形式；利用人耳的听觉掩蔽特性，计算含噪语音在时频域的二值掩蔽；利用二值掩蔽得到增强语音。实验结果表明：该算法很大程度上去除了谱减法引入的“音乐噪声”，与基于MCRA谱减法相比，增强语音的语言可懂度指数（Speech Intelligibility Index，SII）、主观语音质量评估（Perceptual Evaluation of Speech Quality，PESQ）和信噪比（Signal to Noise Ratio，SNR）都得到了提高。

基于谱减方面的语音增强算法 效果不错 还有待改进

python语音处理：语音增强算法内含数据集以及源码

matlab声音信号相位差代码语音分离和增强 说明 该程序包含几种流行的方法及其变体，用于语音分离和增强。 该程序的目的是快速实现，测试和比较方法。 麦克风阵列的默认模型是6 + 1（外围+中央）圆形阵列。 测试数据是基于TIMIT数据库的ISM方法[1,2]生成的。 语音箱工具箱是必需的。 所有代码均由Ke Zhang用Matlab编写和更新。 如果您发现任何错误或错误，请与我联系。 主要方法列表： 波束成形： DSB MVDR 轻型商用车 最大信噪比/ GEVD 盲源分离（BSS）： ICA 艾娃 辅助IVA 过度IVA 劳协 快速MNMF 通常，波束成形中的方法使用源的导引矢量或其他空间信息来增强目标语音，而BSS方法仅使用源的数量，除了某些情况下，用于解决置换歧义。 用户指南 主要功能是command.m，您可以在其中设置声源的数量和角度（0-45-315度），并在列表中选择要测试的算法（将对应方法后面的值设置为1正在运行，则为0）。 可以在ISM_setup.m中设置仿真环境，例如用于混响的T60（支持0、0.3s，0.6s，0.9s），麦克风阵列的配置以及用于噪声添加的No

Lite视听语音增强（Interspeech 2020） 介绍 这是的PyTorch实现。 我们还将一些预处理后的样本数据（包括增强的结果）放入此存储库中。 TMSV的LAVSE使用的数据集（台湾汉语语音与视频）发布。 如果您发现对研究有用的代码，请引用以下论文。 @inproceedings{chuang2020lite, title={Lite Audio-Visual Speech Enhancement}, author={Chuang, Shang-Yi and Tsao, Yu and Lo, Chen-Chou and Wang, Hsin-Min}, booktitle={Proc. Interspeech 2020} } 先决条件 Ubuntu 18.04 Python 3.6 CUDA 10 您可以使用pip安装Python代理。 pip i

分别使用谱减法,维纳滤波法,卡尔曼滤波法实现语音增强的matlab仿真,使用matlab2021a或者更高版本测试

麦克风阵列语音增强算法研究.pdf

麦克风阵列语音增强算法研究.pdf.pdf