某中心团队荣获Interspeech 2020深度噪声抑制挑战赛冠军

在电子语音通信中，噪声和混响不仅降低语音清晰度，长时间聆听劣质语音更会导致听觉疲劳。随着远程会议需求激增，深度噪声抑制技术显得尤为重要。本届Interspeech会议的深度噪声抑制挑战赛设立实时与非实时语音增强双赛道，某中心从19支参赛团队中脱颖而出，非实时赛道荣获第一（阶段1 | 阶段2决赛），实时赛道位列第二。

技术突破与性能表现

为满足实际应用需求，实时系统被严格限制在仅使用4%的CPU资源（基于i7-8565U核心测试），远低于赛事允许上限。尽管如此，该实时系统与冠军成绩仅差0.03平均意见分（MOS），同时超越了所有非实时参赛系统。音频效果示例可通过此链接体验。

核心技术方案

感知优化创新

传统语音增强算法依赖手工调谐的语音噪声模型，通常假设噪声恒定。这类方法对某些噪声类型（如车辆噪声）在低噪环境表现尚可，但难以处理非平稳噪声（如键盘声、嘈杂人声）。研究团队突破性地引入人类感知优化机制，直接优化语音的感知特征（频谱包络和发声特性），忽略感知无关要素，在保证计算高效的同时实现顶尖语音质量。

双系统架构设计

• 非实时系统：采用改进型U-Net深度卷积网络，以无损质量为目标极致提升语音清晰度
• 实时系统：通过感知驱动算法在4%CPU限制下达成近冠军级表现

技术应用与验证

获奖技术已应用于智能通讯公告和全域接入功能，并正式向视频会议用户开放。用户可通过下载某会议客户端体验30天专业版试用。

赛事采用盲测评估机制，经处理的音频样本由人类听众评分产生MOS值。研究表明，实时应用中复杂度与质量存在固有权衡（图示MOS随CPU占用率变化曲线），红色标点代表参赛系统的性能平衡点。

未来展望

深度学习正深刻变革音频处理领域，但在数据增强、感知相关损失函数设计及未知场景适应等方面仍存在挑战，技术发展前景令人期待。

相关论文：

• 《PoCoNet：通过频率位置嵌入、半监督会话数据和偏置损失实现更优语音增强》
• 《基于感知动机的全频带语音低复杂度实时增强方法》

技术细节详见上述发表于Interspeech 2020的学术论文