許多智能設(shè)備現(xiàn)在支持超寬帶的高質(zhì)量語音通信服務(wù)。然而，有時(shí)為了節(jié)省帶寬或者當(dāng)它們與不支持超寬帶的網(wǎng)絡(luò)或設(shè)備配合使用時(shí)，語音質(zhì)量往往會(huì)受到失真影響。此時(shí)，可以使用音頻帶寬擴(kuò)展（Audio Bandwidth Extension, ABE）來改善語音質(zhì)量。帶寬擴(kuò)展旨在估計(jì)缺失的高頻內(nèi)容，換句話說，即提高語音信號(hào)的分辨率，通常是從 4-8kHz 擴(kuò)展到 16kHz。早期的研究主要通過窄帶信號(hào)的頻譜參數(shù)（如頻譜包絡(luò)和增益）來估計(jì)寬帶信號(hào)的頻譜參數(shù)。這些方法采用了非負(fù)矩陣分解、線性預(yù)測編碼、隱馬爾可夫模型以及高斯混合模型等技術(shù)。
隨著深度學(xué)習(xí)的應(yīng)用極大地提升了帶寬擴(kuò)展的性能，相較于傳統(tǒng)方法，其建模能力更為強(qiáng)大。深度學(xué)習(xí)的引入極大地提升了帶寬擴(kuò)展的效果，特別是自回歸模型、生成對(duì)抗網(wǎng)絡(luò)（GANs）、變分自編碼器（VAEs）以及基于變換器（Transformer）的架構(gòu)，使得高頻信息的估計(jì)更加精確且自然。此外，近年來，擴(kuò)散模型（Diffusion Models）也開始應(yīng)用于帶寬擴(kuò)展任務(wù)，以生成更真實(shí)的高頻成分。
音頻的高頻成分在語音質(zhì)量、感知體驗(yàn)和下游任務(wù)中起著重要作用，主要體現(xiàn)在以下幾個(gè)方面：高頻成分包含豐富的諧波信息，對(duì)輔音（如 /s/、/f/、/t/）的感知尤為重要。例如，電話語音通常限制在 300Hz-3.4kHz，導(dǎo)致部分輔音聽起來模糊，而帶寬擴(kuò)展到 16kHz 后，語音更接近真實(shí)人聲，清晰度和自然度明顯提高。某些語言的音素主要依賴高頻成分進(jìn)行區(qū)分，例如英語中的 /s/ 和 /ʃ/（“see” vs. “she”），如果高頻信息缺失，聽眾可能難以分辨類似的發(fā)音，影響語音的可懂度。高頻成分?jǐn)y帶重要的空間感知信息，例如房間混響、方向感和立體聲特性。因此，在音樂和沉浸式音頻應(yīng)用（如 VR、3D 音頻）中，高頻成分能夠增強(qiáng)空間感，使音頻聽起來更自然和生動(dòng)。在音樂壓縮（如 MP3、AAC）中，高頻成分決定了音色的細(xì)膩程度。高頻缺失可能導(dǎo)致音樂變得暗淡、失去層次感。因此，許多高質(zhì)量音頻編解碼器（如 Hi-Res Audio、LDAC）都強(qiáng)調(diào)高頻部分的保留。
下面的視頻是48kHz的全帶音頻和8kHz窄帶音頻（對(duì)48kHz音頻使用截止頻率為8kHz低通濾波得到）的對(duì)比，很容易聽出全帶音頻聲音較為透亮，而窄帶音頻聲音較為低沉且不清晰。
在傳統(tǒng)帶寬擴(kuò)展算法中，線性預(yù)測系數(shù)是比較常用的重構(gòu)音頻參數(shù)，基于線性預(yù)測分析的帶寬擴(kuò)展算法流程框圖如下所示，大致可以分為4個(gè)步驟：對(duì)音頻進(jìn)行分幀其中高頻成分通過線性預(yù)測分析來估計(jì)其中低頻成分直接原始寬帶信號(hào)中提取高頻成分通過IFFT得到對(duì)應(yīng)的時(shí)域信號(hào)，由于低頻（LF）和高頻（HF）估計(jì)過程中可能引入不同的延遲，因此需要同步對(duì)齊。最后將對(duì)齊后的高頻信號(hào)和低頻信號(hào)進(jìn)行相加，然后使用OLA進(jìn)行拼接得到最終的32kHz信號(hào)。
通過對(duì)比基于線性預(yù)測分析（LPC）算法的帶寬擴(kuò)展技術(shù)處理前后的音頻樣本，在輸入信號(hào)為8kHz窄帶音頻的條件下，算法成功重構(gòu)了8-16kHz高頻頻譜成分，并且頻譜沒有明顯的缺失跳變等現(xiàn)象，語音聽感流暢且沒有雜音。
擴(kuò)散模型（Diffusion Model, DM）在生成類任務(wù)中的應(yīng)用廣泛，尤其在圖像、音頻、文本和3D內(nèi)容生成等領(lǐng)域取得了突破性的進(jìn)展。其核心思想是通過逐步添加噪聲將數(shù)據(jù)映射到高斯分布，然后再逐步去噪生成樣本。因此將其應(yīng)用在帶寬擴(kuò)展也是順理成章的事。基于擴(kuò)散模型的音頻帶寬或者推理過程通過反向擴(kuò)散過程迭代重建缺失的高頻頻譜（如圖b，c，e所示），同時(shí)在反向擴(kuò)散過程中盲估計(jì)低通濾波器的失真（白色線疊加顯示）。其中d詳細(xì)展示了一個(gè)采樣步驟，應(yīng)用了DNN作為去噪深度神經(jīng)網(wǎng)絡(luò)，濾波器參數(shù) ϕi 通過迭代進(jìn)行優(yōu)化，音頻數(shù)據(jù) xi 通過重建引導(dǎo)進(jìn)行更新。
基于深度學(xué)習(xí)的帶寬擴(kuò)展算法能力更為強(qiáng)大，下圖是音樂信號(hào)經(jīng)過帶寬擴(kuò)展前后的頻譜對(duì)比。原始信號(hào)只有1kHz以下的頻率成分，而經(jīng)過擴(kuò)散模型后可以還原1kHz到8kHz的頻率成分。
FFmpeg之父新作——音頻壓縮工具 TSAC緊湊但強(qiáng)大：Intel N-DNS Challenge 冠軍方案解析無所不分：多模態(tài)音頻分離模型AudioSep
本文相關(guān)代碼：https://github.com/eloimoliner/BABEhttps://github.com/bachhavpramod/bandwidth_extension
參考文獻(xiàn)：
[1]. https://pixl.cs.princeton.edu/pubs/Su_2021_BEI/ICASSP2021_Su_Wang_BWE.pdf[2]. D. Bansal, B. Raj, and P. Smaragdis, “Bandwidth expansion ofnarrowband speech using non-negative matrix factorization,”in European Conference on Speech Com. and Tech., 2005.[3]. P. Bachhav, M. Todisco, and N. Evans, “Efficient super-widebandwidth extension using linear prediction based analysissynthesis,” in ICASSP 2018.[4]. P. Jax and P. Vary, “Artificial bandwidth extension of speechsignals using MMSE estimation based on a hidden Markovmodel,” in ICASSP 2003[5]. H. Seo, H.-G. Kang, and F. Soong, “A maximum a posteriorbased reconstruction approach to speech bandwidth expansion in noise,” in ICASSP 2014.
|
