注意

单击此处下载完整的示例代码

使用 MVDR 波束形成进行语音增强¶

1. 概述¶

这是一个关于如何使用 TorchAudio 应用最小方差无失真响应 (MVDR) 波束形成来增强语音的教程。

步骤

通过将干净语音/噪声的幅度除以混合语音的幅度来生成理想比率掩码 (IRM)。
使用 torchaudio.transforms.PSD() 估计功率谱密度 (PSD) 矩阵。
使用 MVDR 模块（torchaudio.transforms.SoudenMVDR() 和 torchaudio.transforms.RTFMVDR()）估计增强后的语音。
对两种方法（torchaudio.functional.rtf_evd() 和 torchaudio.functional.rtf_power()）进行基准测试，以计算参考麦克风的相对传输函数 (RTF) 矩阵。

import torch
import torchaudio
import torchaudio.functional as F

print(torch.__version__)
print(torchaudio.__version__)


import matplotlib.pyplot as plt
from IPython.display import Audio

2.10.0.dev20251013+cu126
2.8.0a0+1d65bbe

2. 准备¶

2.1. 导入包

from torchaudio.utils import _download_asset

2.2. 下载音频数据¶

多通道音频示例选自 ConferencingSpeech 数据集。

原始文件名是

SSB07200001\#noise-sound-bible-0038\#7.86_6.16_3.00_3.14_4.84_134.5285_191.7899_0.4735\#15217\#25.16333303751458\#0.2101221178590021.wav

该文件是用以下方式生成的：

SSB07200001.wav 来自 AISHELL-3 (Apache License v.2.0)
noise-sound-bible-0038.wav 来自 MUSAN (Attribution 4.0 International — CC BY 4.0)

SAMPLE_RATE = 16000
SAMPLE_CLEAN = _download_asset("tutorial-assets/mvdr/clean_speech.wav")
SAMPLE_NOISE = _download_asset("tutorial-assets/mvdr/noise.wav")

8%
6%
4%
2%
0%
8%
6%
0%

4%
8%
2%
6%
0%
4%
8%
2%
6%
0%
4%
8%
2%
6%
0%
0%

2.3. 辅助函数¶

def plot_spectrogram(stft, title="Spectrogram"):
    magnitude = stft.abs()
    spectrogram = 20 * torch.log10(magnitude + 1e-8).numpy()
    figure, axis = plt.subplots(1, 1)
    img = axis.imshow(spectrogram, cmap="viridis", vmin=-100, vmax=0, origin="lower", aspect="auto")
    axis.set_title(title)
    plt.colorbar(img, ax=axis)


def plot_mask(mask, title="Mask"):
    mask = mask.numpy()
    figure, axis = plt.subplots(1, 1)
    img = axis.imshow(mask, cmap="viridis", origin="lower", aspect="auto")
    axis.set_title(title)
    plt.colorbar(img, ax=axis)


def si_snr(estimate, reference, epsilon=1e-8):
    estimate = estimate - estimate.mean()
    reference = reference - reference.mean()
    reference_pow = reference.pow(2).mean(axis=1, keepdim=True)
    mix_pow = (estimate * reference).mean(axis=1, keepdim=True)
    scale = mix_pow / (reference_pow + epsilon)

    reference = scale * reference
    error = estimate - reference

    reference_pow = reference.pow(2)
    error_pow = error.pow(2)

    reference_pow = reference_pow.mean(axis=1)
    error_pow = error_pow.mean(axis=1)

    si_snr = 10 * torch.log10(reference_pow) - 10 * torch.log10(error_pow)
    return si_snr.item()


def generate_mixture(waveform_clean, waveform_noise, target_snr):
    power_clean_signal = waveform_clean.pow(2).mean()
    power_noise_signal = waveform_noise.pow(2).mean()
    current_snr = 10 * torch.log10(power_clean_signal / power_noise_signal)
    waveform_noise *= 10 ** (-(target_snr - current_snr) / 20)
    return waveform_clean + waveform_noise


# If you have mir_eval installed, you can use it to evaluate the separation quality of the estimated sources.
# You can also evaluate the intelligibility of the speech with the Short-Time Objective Intelligibility (STOI) metric
# available in the `pystoi` package, or the Perceptual Evaluation of Speech Quality (PESQ) metric available in the `pesq` package.
def evaluate(estimate, reference):
    from pesq import pesq
    from pystoi import stoi
    import mir_eval

    si_snr_score = si_snr(estimate, reference)
    (
        sdr,
        _,
        _,
        _,
    ) = mir_eval.separation.bss_eval_sources(reference.numpy(), estimate.numpy(), False)
    pesq_mix = pesq(SAMPLE_RATE, estimate[0].numpy(), reference[0].numpy(), "wb")
    stoi_mix = stoi(reference[0].numpy(), estimate[0].numpy(), SAMPLE_RATE, extended=False)
    print(f"SDR score: {sdr[0]}")
    print(f"Si-SNR score: {si_snr_score}")
    print(f"PESQ score: {pesq_mix}")
    print(f"STOI score: {stoi_mix}")

3. 生成理想比率掩码 (IRM)¶

3.1. 加载音频数据¶

waveform_clean, sr = torchaudio.load(SAMPLE_CLEAN)
waveform_noise, sr2 = torchaudio.load(SAMPLE_NOISE)
assert sr == sr2 == SAMPLE_RATE
# The mixture waveform is a combination of clean and noise waveforms with a desired SNR.
target_snr = 3
waveform_mix = generate_mixture(waveform_clean, waveform_noise, target_snr)

注意：为提高计算鲁棒性，建议将波形表示为双精度浮点数（torch.float64 或 torch.double）值。

waveform_mix = waveform_mix.to(torch.double)
waveform_clean = waveform_clean.to(torch.double)
waveform_noise = waveform_noise.to(torch.double)

3.2. 计算 STFT 系数¶

N_FFT = 1024
N_HOP = 256
stft = torchaudio.transforms.Spectrogram(
    n_fft=N_FFT,
    hop_length=N_HOP,
    power=None,
)
istft = torchaudio.transforms.InverseSpectrogram(n_fft=N_FFT, hop_length=N_HOP)

stft_mix = stft(waveform_mix)
stft_clean = stft(waveform_clean)
stft_noise = stft(waveform_noise)

3.2.1. 可视化混合语音¶

plot_spectrogram(stft_mix[0], "Spectrogram of Mixture Speech (dB)")
Audio(waveform_mix[0], rate=SAMPLE_RATE)

3.2.2. 可视化干净语音¶

plot_spectrogram(stft_clean[0], "Spectrogram of Clean Speech (dB)")
Audio(waveform_clean[0], rate=SAMPLE_RATE)

3.2.3. 可视化噪声¶

plot_spectrogram(stft_noise[0], "Spectrogram of Noise (dB)")
Audio(waveform_noise[0], rate=SAMPLE_RATE)

3.3. 定义参考麦克风¶

出于演示目的，我们选择麦克风阵列中的第一个麦克风作为参考通道。参考通道的选择可能取决于麦克风阵列的设计。

您也可以应用一个端到端的神经网络，该网络可以估计参考通道和 PSD 矩阵，然后通过 MVDR 模块获得增强后的 STFT 系数。

REFERENCE_CHANNEL = 0

3.4. 计算 IRM¶

def get_irms(stft_clean, stft_noise):
    mag_clean = stft_clean.abs() ** 2
    mag_noise = stft_noise.abs() ** 2
    irm_speech = mag_clean / (mag_clean + mag_noise)
    irm_noise = mag_noise / (mag_clean + mag_noise)
    return irm_speech[REFERENCE_CHANNEL], irm_noise[REFERENCE_CHANNEL]


irm_speech, irm_noise = get_irms(stft_clean, stft_noise)

3.4.1. 可视化目标语音的 IRM¶

plot_mask(irm_speech, "IRM of the Target Speech")

3.4.2. 可视化噪声的 IRM¶

plot_mask(irm_noise, "IRM of the Noise")

4. 计算 PSD 矩阵¶

torchaudio.transforms.PSD() 在给定混合语音的多通道复值 STFT 系数和时频掩码的情况下，计算时不变的 PSD 矩阵。

PSD 矩阵的形状为 (..., freq, channel, channel)。

psd_transform = torchaudio.transforms.PSD()

psd_speech = psd_transform(stft_mix, irm_speech)
psd_noise = psd_transform(stft_mix, irm_noise)

5. 使用 SoudenMVDR 进行波束形成¶

5.1. 应用波束形成¶

torchaudio.transforms.SoudenMVDR() 接受混合语音的多通道复值 STFT 系数、目标语音和噪声的 PSD 矩阵以及参考通道输入。

输出是增强语音的单通道复值 STFT 系数。然后，我们可以将此输出传递给 torchaudio.transforms.InverseSpectrogram() 模块来获得增强后的波形。

mvdr_transform = torchaudio.transforms.SoudenMVDR()
stft_souden = mvdr_transform(stft_mix, psd_speech, psd_noise, reference_channel=REFERENCE_CHANNEL)
waveform_souden = istft(stft_souden, length=waveform_mix.shape[-1])

5.2. SoudenMVDR 的结果¶

plot_spectrogram(stft_souden, "Enhanced Spectrogram by SoudenMVDR (dB)")
waveform_souden = waveform_souden.reshape(1, -1)
Audio(waveform_souden, rate=SAMPLE_RATE)

6. 使用 RTFMVDR 进行波束形成¶

6.1. 计算 RTF¶

TorchAudio 提供了两种计算目标语音 RTF 矩阵的方法：

torchaudio.functional.rtf_evd()，它对目标语音的 PSD 矩阵进行特征值分解以获得 RTF 矩阵。
torchaudio.functional.rtf_power()，它应用幂次迭代法。您可以使用参数 n_iter 指定迭代次数。

rtf_evd = F.rtf_evd(psd_speech)
rtf_power = F.rtf_power(psd_speech, psd_noise, reference_channel=REFERENCE_CHANNEL)

6.2. 应用波束形成¶

torchaudio.transforms.RTFMVDR() 接受混合语音的多通道复值 STFT 系数、目标语音的 RTF 矩阵、噪声的 PSD 矩阵以及参考通道输入。