用于语音降噪的方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机语音信号处理技术领域，具体涉及一种用于语音降噪的方法、装置、电子设备和计算机可读介质。

背景技术

随着通信技术的日益成熟，语音/视频通话的业务量也在不断提高，且用户使用的终端也呈现多样化，如个人电脑、手机以及拾音器等边缘设备。然而，由于用户所处的环境多种多样，各种背景噪声的出现对于语音通话的质量会产生很大影响，如室内空调风机的声音、敲击键盘的声音，户外车声、鸟鸣声等等。

此外，当用户的通信环境有其他人时，其他人的说话声音也会对语音通话造成干扰。为了听到的语音更加清晰，需要对采集的含噪语音进行降噪处理，滤除背景噪声及其他人的说话声音。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了用于语音降噪的方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于语音降噪的方法，该方法包括：获取目标语音；对上述目标语音进行预处理，得到上述目标语音的梅尔谱；将上述梅尔谱输入至预先训练的特征神经网络，得到上述梅尔谱的幅度掩膜增益系数；根据上述幅度掩膜增益系数对上述梅尔谱进行幅度掩膜，得到降噪梅尔谱；将上述降噪梅尔谱输入至预先训练的神经网络声码器，得到降噪语音。

第二方面，本公开的一些实施例提供了一种语音降噪装置，装置包括：获取单元，被配置成获取目标语音；预处理单元，被配置成对上述目标语音进行预处理，得到上述目标语音的梅尔谱；特征单元，被配置成将上述梅尔谱输入至预先训练的特征神经网络，得到上述梅尔谱的幅度掩膜增益系数；幅度掩膜单元，被配置成根据上述幅度掩膜增益系数对上述梅尔谱进行幅度掩膜，得到降噪梅尔谱；生成单元，被配置成将上述降噪梅尔谱输入至预先训练的神经网络声码器，得到降噪语音。

第三方面，本申请实施例提供了一种电子设备，该网络设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：获取目标语音，之后通过对上述目标语音进行预处理，得到上述目标语音的梅尔谱，再将梅尔谱输入至预先训练的特征神经网络，得到梅尔谱的幅度掩膜增益系数，然后根据幅度掩膜增益系数对梅尔谱进行幅度掩膜，得到降噪梅尔谱，接着将上述降噪梅尔谱输入至预先训练的神经网络声码器，得到降噪语音，从而通过对目标语音的处理，使得到的降噪语音中消除了背景噪声与其他人声的干扰，实现了对目标语音更加轻量级的降噪处理并得到了更好的去噪效果。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开一些实施例的语音降噪方法的一个应用场景的示意图；

图2是根据本公开的语音降噪方法的一些实施例的流程图；

图3是根据本公开的一些实施例的特征神经网络结构的示意图；

图4是根据本公开的一些实施例的自注意力模块结构的示意图；

图5是根据本公开的一些实施例的卷积模块结构的示意图；

图6是根据本公开的语音降噪装置的一些实施例的结构示意图；

图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的语音降噪方法的一个应用场景的示意图。

如图1所示，首先，服务器101可以获取目标语音102，之后可以对上述目标语音102进行预处理，得到上述目标语音的梅尔谱103，再将上述梅尔谱103输入至预先训练的特征神经网络，得到幅度掩膜增益系数104，接着根据上述幅度掩膜增益系数104对上述梅尔谱103进行幅度掩膜，得到降噪梅尔谱105，最后将上述降噪梅尔谱105输入至预先训练的神经网络声码器，得到降噪语音106。

可以理解的是，语音降噪方法可以是由终端设备来执行，或者也可以是由服务器101来执行，上述方法的执行主体还可以包括上述终端设备与上述服务器101通过网络相集成所构成的设备，或者还可以是各种软件程序来执行。其中，终端设备可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。执行主体也可以体现为服务器101、软件等。当执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的服务器数目仅仅是示意性的。根据实现需要，可以具有任意数目的服务器。

继续参考图2，示出了根据本公开的语音降噪方法的一些实施例的流程200。该语音降噪方法，包括以下步骤：

步骤201，获取目标语音。

在一些实施例中，语音降噪方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取目标语音。在这里，上述目标语音通常是指需要进行降噪的语音。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，对目标语音进行预处理，得到目标语音的梅尔谱。

在一些实施例中，基于步骤201中得到的目标语音，上述执行主体(例如图1所示的服务器)可以对上述目标语音进行预处理，以得到目标语音的梅尔谱。在这里，上述预处理通常是指将目标语音转换为梅尔谱的处理。上述将目标语音转换为梅尔谱的实现方式有多种，在此不再赘述。

在一些实施例的一些可选的实现方式中，上述执行主体可以对上述目标语音进行分帧操作，得到上述目标语音的帧级别语音。再对上述帧级别语音进行加窗和短时傅立叶变换，得到帧级别语音频谱的幅度谱。在这里，上述加窗处理通常使用汉宁(Hanning)窗函数。

之后，利用梅尔滤波器对上述幅度谱进行处理，得到梅尔能量谱。对上述梅尔能量谱进行能量归一化处理(Per-Channel Energy Normalization，PCEN)，得到能量归一化梅尔能量谱。在这里，能量归一化处理的目的是分别求取每一维特征的累积平均值，然后通过当前帧的特征除以平均值，进而实现归一化操作。

之后将上述梅尔能量谱与上述归一化梅尔能量谱进行拼接，得到目标语音的梅尔谱。

在一些实施例的一些可选的实现方式中，上述执行主体可以根据以下公式对上述梅尔能量谱进行能量归一化处理：PCEN(t,f)＝(E(t,f)/(M(t,f)+ε)

预处理部分，不仅使用了语音的梅尔谱，而且加入了梅尔谱的可训练的每通道能量归一化，对梅尔谱进行了自动增益控制与动态范围控制，补充了更多的过去时间轴信息，同时，其参数可训练的特点，也更好的对降噪神经网络进行了适配，有益于提高整体的语音降噪效果。

步骤203，将上述梅尔谱输入至预先训练的特征神经网络，得到上述梅尔谱的幅度掩膜增益系数。

在一些实施例中，上述执行主体可以将上述梅尔谱输入至预先训练的特征神经网络，得到上述梅尔谱的幅度掩膜增益系数。在这里，上述特征神经网络通常用于表征梅尔谱和幅度掩膜增益系数的对应关系。

作为示例，上述特征神经网络可以是研究人员基于大量数据整合的样本梅尔谱和样本幅度掩膜增益系数的对应关系表，上述执行主体可以在上述对应关系表中确定与梅尔谱相同或相似的样本幅度掩膜增益系数，并将样本梅尔谱对应的样本幅度掩膜增益系数确定为幅度掩膜增益系数。

在一些实施例的一些可选的实现方式中，上述特征神经网络包括顺序连接的卷积模块、自注意力模块、门控循环单元模块和/或反卷积模块。

作为示例，上述特征神经网络可以是如图3所示的由卷积模块301、自注意力模块302、门控循环单元模块303和反卷积模块304组成的神经网络。

具体的，如图4所示，卷积模块301的由5个结构相同参数不同的卷积单元构成。每个卷积单元依次由点卷积层401(PConv)、批标准化层402(BatchNorm)、线性整流函数层403(ReLU)、深度卷积层404(DSConv)、批标准化层405(BatchNorm)、线性整流函数层406(ReLU)构成。每个卷积单元最后一个ReLU的输出既被送到网络下一层，又被送到反卷积模块407的对应反卷积单元作为部分输入。每个卷积单元的点卷积层的卷积核均为1，步长均为1。各个卷积单元的深度卷积层的卷积核分别为5、3、5、3、5，步长分别分2、1、2、1、2。

特征神经网络中的卷积模块，作用是提取压缩梅尔谱特征，降低特征的维度。5次结构相同参数不同的卷积单元，在降低维度的同时，减少了特征信息的损失。本发明的卷积单元使用了点卷积与深度卷积，与一步的标准卷积相比，大幅降低了卷积的参数量与运算量，且达到相似的效果。

如图5所示，自注意力模块500由多头自注意力层501(MultiheadAttention)、层标准化层502(LayerNorm)、点卷积层503(PConv)、批标准化层(BatchNorm)504、线性整流函数层505(ReLU)组成。卷积模块的输出首先被送入多头自注意力层，再经过层标准化层后，与卷积模块的输出相加，进入点卷积层，再经过批标准化层、线性整流函数层处理后，送入下一个模块。

自注意力模块目的是综合卷积模块提取的梅尔谱特征。使用自注意力网络，而非循环神经网络，是因为自注意力网络更加能够捕捉到全局信息，而循环神经网络更注重局部特征与时域关系。本发明使用的8头自注意力模块，以小于循环神经网络的参数量，取得了更好的降噪效果。

门控循环单元模块由门控循环单元层(GRU)、点卷积层(PConv)、批标准化层(BatchNorm)与线性整流函数层(ReLU)组成。自注意力模块的输出首先被送入门控循环单元层，再依次通过点卷积层、批标准化层与线性整流函数层。

门控循环单元用来处理各个前后语音帧之间的关系，建立时间轴的信息流。这里使用循环神经网络而非自注意力网络，是因为自注意力网络无法处理时间轴的前后关系。对于循环神经网络的选择，使用门控循环单元而不是长短期记忆网络，可以进一步减少网络的计算量。而由于实时性的要求，此处必须使用单向门控循环网络，构成因果系统。

反卷积模块304由5个结构相同，参数不同的反卷积单元构成。每个反卷积单元依次由点卷积层(PConv)、批标准化层(BatchNorm)、线性整流函数层(ReLU)、反卷积层(ConvT)、批标准化层(BatchNorm)、线性整流函数层(ReLU)构成。每个反卷积单元第一个卷积层的输入既接收自网络上一层，也接收卷积模块的对应卷积单元的最后一个线性整流函数层，并将两部分拼接作为整体输入。每个反卷积单元的点卷积层的卷积核均为1，步长均为1。各个反卷积单元的反卷积层的卷积核分别为5、3、5、3、5，步长分别分2、1、2、1、2。

反卷积模块将压缩降维的梅尔谱恢复成原始梅尔谱的大小，以生成梅尔谱掩膜。梅尔谱掩膜的作用是与原始带噪语音的梅尔谱相乘，得到降噪后的梅尔谱。反卷积模块采用了与卷积模块对称的结构，具有5个反卷积单元，可以看作卷积模块的逆操作。且每个反卷积单元的输入不仅接收网络上一层的输出，也直接接收了卷积模块对应单元的输出，可以在网络训练时使梯度变化更稳定，更容易训练出效果好的网络模型。

在一些实施例的一些可选的实现方式中，上述执行主体可以获取训练样本集，其中，上述训练样本集包括样本梅尔谱以及与上述样本语音对应的样本幅度掩膜增益系数；将上述样本梅尔谱输入至待训练模型，得到幅度掩膜增益系数；根据预设的损失函数对上述幅度掩膜增益系数和上述样本幅度掩膜增益系数进行对比，确定损失值；响应于上述损失值满足预设条件，确定上述待训练模型训练完成，将上述待训练模型确定为特征神经网络。

特征神经网络的损失函数的计算了降噪梅尔谱与纯净语音梅尔谱之间的损失，并且使用了带加权的多尺度损失求和，覆盖了更多的切片范围，并给予长切片更大的权重。由于语音的短时稳定特点与每个发音的时长不固定的特点，这种多尺度损失加权求和，与单一损失函数相比，提高了网络训练后的降噪效果，也减少了语音的失真。

在一些实施例的一些可选的实现方式中，上述执行主体还可以响应于上述损失值未满足预设条件，调整待训练模型中的相关参数。

步骤204，根据上述幅度掩膜增益系数对上述梅尔谱进行幅度掩膜，得到降噪梅尔谱。

在一些实施例中，上述执行主体可以根据上述增益系数对上述梅尔谱进行幅度掩膜，得到降噪梅尔谱。具体的，上述幅度掩膜的过程通常是指执行主体可以用幅度掩膜增益系数与上述梅尔谱相乘，得到降噪梅尔谱。

步骤205，将降噪梅尔谱输入至预先训练的神经网络声码器，得到降噪语音。

在一些实施例中，上述执行主体可以将上述降噪梅尔谱输入至预先训练的神经网络声码器，得到降噪语音。在这里，上述神经网络声码器通常用于表征降噪梅尔谱和降噪语音的对应关系。

作为示例，上述神经网络声码器可以是研究人员基于大量数据整合的样本降噪梅尔谱和样本降噪语音的对应关系表，上述执行主体可以在上述对应关系表中确定与降噪梅尔谱相同或相似的样本降噪梅尔谱，并将样本降噪梅尔谱对应的样本降噪语音确定为降噪语音。

作为又一示例，上述神经网络声码器可以是基于Multi-band MelGAN技术，由生成器和鉴别器组成的。上述生成器用于生产语音，主要由卷积、上采样、残差块、激活函数模块构成，鉴别器用于鉴别语音真伪，由全带与自带多个鉴别器模块构成。训练时，生成器与鉴别器轮流循环进行对抗训练。

神经网络声码器由梅尔谱生成语音，与传统声码器相比，由网络自动学习补全了相位信息，大幅提高了生成语音的质量。由于本发明的降噪方法需要实时运行，一些大型的神经网络声码器虽然效果可能更好，但生成速度极慢，难以满足实时性要求。本发明使用的基于Multi-band MelGAN技术的神经网络声码器，在保证了生成语音质量的同时，大幅提高了生成速度，使整体的速度优于端到端的速度。

本发明基于深度学习的降噪方法，没有使用已被大量应用的端到端降噪方法，而是提出了一种两阶段的降噪方法。第一阶段的降噪神经网络输入梅尔谱并最终生成梅尔谱掩膜，与端到端网络直接处理频域谱生成频谱掩膜相比，运算量大幅降低4到8倍，且梅尔谱更符合人类听觉，有益于提高降噪后的听觉效果。为了将梅尔谱高质量的恢复成时域语音，本发明在第二阶段使用了神经网络声码器，基于Multi-band MelGAN技术的神经网络声码器，不仅可以高质量的生成语音，且生成速度相比大型的神经网络声码器提高极大，在CPU运行仅需要3％的语音时长，可以充分满足语音通信降噪的实时性要求。

整体的神经网络具有轻量化的特点，仅使用极少的网络参数量少与极小的计算量，方便在PC端或移植到嵌入式等终端使用，具备大型网络才能达到的降噪效果，并满足大型网络不具备的实时性优点。硬件资源占用低，降噪效果好。

本公开的上述各个实施例中的一个实施例具有如下有益效果：获取目标语音，之后通过对上述目标语音进行预处理，得到上述目标语音的梅尔谱，再将梅尔谱输入至预先训练的特征神经网络，得到梅尔谱的幅度掩膜增益系数，然后根据幅度掩膜增益系数对梅尔谱进行幅度掩膜，得到降噪梅尔谱，接着将上述降噪梅尔谱输入至预先训练的神经网络声码器，得到降噪语音，从而通过对目标语音的处理，使得到的降噪语音中消除了背景噪声与其他人声的干扰，实现了对目标语音更加轻量级的降噪处理并得到了更好的去噪效果。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种语音降噪装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，一些实施例的语音降噪装置600包括：获取单元601、预处理单元602、特征单元603、幅度掩膜单元604和生成单元605。其中，获取单元601，被配置成获取目标语音；预处理单元602，被配置成对上述目标语音进行预处理，得到上述目标语音的梅尔谱；特征单元603，被配置成将上述梅尔谱输入至预先训练的特征神经网络，得到上述梅尔谱的幅度掩膜增益系数；幅度掩膜单元604，被配置成根据上述幅度掩膜增益系数对上述梅尔谱进行幅度掩膜，得到降噪梅尔谱；而生成单元605，被配置成将上述降噪梅尔谱输入至预先训练的神经网络声码器，得到降噪语音。

在一些实施例的可选实现方式中，预处理单元被进一步的配置用于：对上述目标语音进行分帧操作，得到上述目标语音的帧级别语音；对上述帧级别语音进行加窗和短时傅立叶变换，得到帧级别语音频谱的幅度谱；利用梅尔滤波器对上述幅度谱进行处理，得到梅尔能量谱；对上述梅尔能量谱进行能量归一化处理，得到能量归一化梅尔能量谱；将上述梅尔能量谱与上述归一化梅尔能量谱进行拼接，得到目标语音的梅尔谱。

在一些实施例的可选实现方式中，预处理单元被进一步的配置用于：根据以下公式对上述梅尔能量谱进行能量归一化处理：PCEN(t,f)＝(E(t,f)/(M(t,f)+ε)α+δ)

在一些实施例的可选实现方式中，上述特征神经网络包括顺序连接的卷积模块、自注意力模块、门控循环单元模块和/或反卷积模块。

在一些实施例的可选实现方式中，上述特征神经网络是根据以下步骤训练得到的：获取训练样本集，其中，上述训练样本集包括样本梅尔谱以及与上述样本语音对应的样本幅度掩膜增益系数；将上述样本梅尔谱输入至待训练模型，得到幅度掩膜增益系数；根据预设的损失函数对上述幅度掩膜增益系数和上述样本幅度掩膜增益系数进行对比，确定损失值；响应于上述损失值满足预设条件，确定上述待训练模型训练完成，将上述待训练模型确定为特征神经网络。

在一些实施例的可选实现方式中，上述语音降噪装置还包括调整单元，被配置成：响应于上述损失值未满足预设条件，调整待训练模型中的相关参数。

可以理解的是，该装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。

本公开的上述各个实施例中的一个实施例具有如下有益效果：获取目标语音，之后通过对上述目标语音进行预处理，得到上述目标语音的梅尔谱，再将梅尔谱输入至预先训练的特征神经网络，得到梅尔谱的幅度掩膜增益系数，然后根据幅度掩膜增益系数对梅尔谱进行幅度掩膜，得到降噪梅尔谱，接着将上述降噪梅尔谱输入至预先训练的神经网络声码器，得到降噪语音，从而通过对目标语音的处理，使得到的降噪语音中消除了背景噪声与其他人声的干扰，实现了对目标语音更加轻量级的降噪处理并得到了更好的去噪效果。

下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标语音；对上述目标语音进行预处理，得到上述目标语音的梅尔谱；将上述梅尔谱输入至预先训练的特征神经网络，得到上述梅尔谱的幅度掩膜增益系数；根据上述幅度掩膜增益系数对上述梅尔谱进行幅度掩膜，得到降噪梅尔谱；将上述降噪梅尔谱输入至预先训练的神经网络声码器，得到降噪语音。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、预处理单元、特征单元、幅度掩膜单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“获取目标语音的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。