图1 回声场景示意图
回声信号是由说话人信号与房间脉冲响应(RIR)卷积产生的。然后将回声、近端语音和背景噪声混合产生麦克风信号。我们将AEC定义为一个有监督的语音分离问题。如图2所示，将麦克风信号和回声提取的特征输入到BLSTM中。将估计的mask与麦克风信号的谱图逐点相乘，得到近端信号的估计谱图。最后，利用短时间傅里叶反变换(ISTFT)将近端语音信号的相位与估计的幅度谱图重新合成$s(n)$。
首先将输入信号$y(n)$和$x(n)$以16khz采样，以20ms帧长（320采样点），10ms帧移进行分帧。然后将320点短时傅里叶变换(STFT)应用于输入信号的每个时间帧，结果产生161个frequency bins。最后，对幅度响应进行对数运算，得到了对数幅度谱特征[20]。该方法将麦克风信号和远端信号的特征串联在一起作为输入特征。因此，输入的维数是161*2 = 322。
2.3 训练目标我们使用理想比值掩膜（IRM）作为训练目标。IRM定义为：
$$公式2：\operatorname{IRM}(m, c)=\sqrt{\frac{S^{2}(m, c)}{S^{2}(m, c)+D^{2}(m, c)+V^{2}(m, c)}}$$
其中，$S^2(·)、D^2(·)、V^2(·)$表示T-F单元内近端信号、声学回声和背景噪声在m时刻和c频率的能量。
2.4 模型介绍本文采用的BLSTM结构如图2所示。一个BLSTM包含两个单向LSTM，一个LSTM对信号进行正向处理，另一个lstm对信号进行反向处理。采用全连接层进行特征提取。BLSTM有4个隐藏层，每层有300个单位。输出层是一个全连接的层。由于IRM的取值范围为[0,1]，所以我们使用sigmoid函数作为输出层的激活函数。采用Adam优化器[21]和均方误差(MSE)代价函数对LSTM进行训练。学习速率设置为0.0003。训练epoch设置为30。
3 实验结果 3.1 性能度量本文采用两种性能指标来比较系统的性能：单端通话时期(无近端信号周期)的回波损耗增强(ERLE)和双端通话时期的语音质量感知评价(PESQ)。
ERLE[3]用于评估系统实现的回波衰减，定义为
$$公式3：\mathrm{ERLE}=10 \log _{10}\left\{\frac{\mathcal{E}\left[y^{2}(n)\right]}{\mathcal{E}\left[\hat{s}^{2}(n)\right]}\right\}$$
其中$\varepsilon $是统计期望操作。
PESQ与主观得分[22]高度相关。它是通过将估计的近端语音$\hat{n}$与原始语音s(n)进行比较得到的。PESQ评分范围为-0.5 ~ 4.5。分数越高质量越好。
在接下来的实验中，对信号处理约3秒后，即稳态结果，对传统AEC方法的性能进行测量。
3.2 实验设置TIMIT数据集[23]在文献[24][5]中被广泛用于评价AEC性能。我们从TIMIT数据集的630个说话人中随机选择100对说话人作为近端和远端说话人(40对男性-女性，30对男性-男性，30对女性-女性)。每个说话人有10个以16khz采样的语音。随机选择同一远端说话人的三个语音，并将其串联起来形成远端信号。然后，通过在前端和后端填充零，将近端说话人的每个语音扩展到与远端信号相同的大小。稍后将在图3中显示如何生成混合的示例。
TIMIT每个说话人录有10段语音，其中七段语音被用来生成训练远端语音(有五个组合{012}、{013}、{014}、{015}、{016})，剩余三段被用来生成测试远端语音（{789}）。训练混合语音由 每个近端语音 和 五个不同的远端信号 混合而成，因此，我们总共有3500种训练混合语音。测试混合语音是由每个近端信号与一个远端信号混合而成，有100种。
为了研究该方法的泛化效果，我们从TIMIT数据集中的其余430位说话人中随机选择了另外10对说话人（4对男女，3对男女，3对男女），并生成了100个未经训练的说话人测试混合语音。
图3：3.5 dB SER和10 dB SNR的波形和频谱图。（a） 麦克风信号，（b）回声信号，（c）近端语音，（d）BLSTM估计的近端语音。