第9章抗噪声语音处理技术
语音识别技术的噪声消除方法研究
语音识别技术的噪声消除方法研究随着语音识别技术的迅猛发展，我们生活中越来越多的场景需要用到语音交互，例如语音助手、智能家居和汽车语音控制等。
然而，实际应用中常常存在噪声干扰，这会显著影响语音识别系统的准确性和稳定性。
因此，研究如何消除噪声对于提高语音识别系统的性能至关重要。
噪声消除是一种利用信号处理技术从噪声污染的语音信号中提取出干净语音信号的方法。
在语音识别领域，噪声消除算法有助于提高语音信号的质量，并显著提升语音识别系统的性能。
本文将介绍几种常用的语音识别技术的噪声消除方法。
一. 频域噪声消除方法频域噪声消除方法是一种常见的噪声消除方法，它利用语音信号和噪声信号在频域上的差异，通过滤波和谱减法等技术来减少噪声对语音的干扰。
1. 滤波法滤波法通过设计数字滤波器，将语音信号和噪声信号进行滤波，从而达到消除噪声的效果。
常用的滤波器设计方法有无限脉冲响应滤波器（IIR）和有限脉冲响应滤波器（FIR）。
滤波法可以有效地降低噪声的能量，但在某些情况下会对语音信号的频谱造成畸变。
2. 谱减法谱减法是一种常用的噪声消除方法，它通过对语音信号的频谱进行分析和处理，将噪声频谱从语音频谱中减去，从而得到较为清晰的语音信号。
谱减法包括短时傅里叶变换（STFT）和谱减。
二. 时域噪声消除方法时域噪声消除方法是基于时域分析的噪声消除方法，它通过对语音信号的时域特征进行处理，减少噪声的干扰。
1. 统计模型法统计模型法是一种常见的时域噪声消除方法，它利用语音信号和噪声信号之间的统计特性进行建模和分析。
常见的统计模型包括高斯混合模型（GMM）和隐马尔可夫模型（HMM）。
统计模型法可以通过对语音信号和噪声信号之间的统计特性进行建模，从而减少噪声对语音的干扰。
2. 线性预测法线性预测法是一种基于线性预测分析的噪声消除方法，它通过对语音信号的线性预测系数进行分析和处理，减少噪声的干扰。
线性预测法包括自相关法和自适应线性预测法。
三. 混合域噪声消除方法混合域噪声消除方法是将时域和频域噪声消除方法相结合的一种噪声消除方法，它利用了时域和频域上的信息来提高噪声消除效果。
语音降噪技术研究与应用
语音降噪技术研究与应用随着人们对语音交互设备的需求逐渐增加，语音识别技术的发展成为了人们研究的热点之一。
然而，实际应用过程中，由于环境噪声、话筒采集质量等因素的影响，语音信号呈现出高斯白噪声的特点，这就为语音识别带来了巨大的挑战。
因此，如何消除环境噪声阻碍，提升语音信号质量，成为了当前亟需解决的问题。
语音降噪技术应运而生。
一、语音降噪技术的基本原理语音降噪技术的基本原理是在保证语音的主要特征不变的情况下，尽可能减少非语音信号（如环境噪声）的干扰。
其中的关键步骤包括：预处理、特征提取、信号处理、特征还原等。
其中最重要的是信号处理，主要应用于消除干扰信号。
语音降噪技术主要分为基于频域的和基于时域的两种降噪算法。
基于时域的降噪算法是指对语音信号进行时频变换，然后加入滤波器进行降噪。
基于频域的降噪算法则是指直接对语音信号进行分析。
二、语音降噪技术的研究进展目前，语音降噪技术已经发展成为了一个复杂的工程技术。
除了传统的降噪算法，近几年来还出现了一些基于深度学习算法的语音降噪方法，比如基于循环神经网络（RNN）、卷积神经网络（CNN）等方法。
其中，基于RNN的语音降噪算法核心思想是在序列数据上进行建模，通过对序列的时间关系进行建模，来修复损坏的语音信号。
而基于CNN的语音降噪算法则是应用于语音数据的图像特性。
通过将语音信号视为图像，卷积神经网络便能够很好地对其进行处理。
此外，近年来还出现了一些混合型的语音降噪算法，比如基于分离模型（Separation Model）的语音降噪算法，该算法将原始语音信号分解成多个部分，每个部分可以被单独降噪。
然后再将这些信号重新组合，最终得到降噪后的语音信号。
三、语音降噪技术的应用语音降噪技术的应用范围十分广泛，涵盖了音频信号的处理领域。
其中最常见的应用场景就是语音识别领域。
比如在智能语音助手、车载导航、语音输入法等领域，语音降噪技术被广泛应用，明显提高了设备的性能和用户体验。
一种抗噪声的语音识别方法研究
语音识别系统必须适应不同信道，不同信道差异较大，跨信 道识别问题是语音信号识别的一个障碍曲。背景噪音是影响 语音识别系统的一大难题,背景噪音的频谱很容易和原始语音 频谱重合，会将原始语音掩盖在噪音频谱范围内,导致识别系 统不能准确分离出来原声音。音识识别就是模式识别,基本结 构原理如图1所示,主要包括信号预处理、特征提取、特征匹配 等基本功能模块，后处理模块作为输出部分直接面向用户。
利用两种模型建立不同说话人识别模型阶段，并在实验
髙斯混合模型采用单高斯密度函数线性的加权值调整 实验表明，适当增加权值可增加结果的真实分布程度；改进 卡尔曼滤波算法可以减少噪声的影响，提高抗干扰能力，提 取说话人的特征准确度更高。
5结论
针对传统语音识别系统在噪音环境适应性差的问题，分 析了人类语音特征和信号处理策略，研究高斯混合数学模型 和隐马尔可夫数学模型在噪音环境中语音识别效果,适当增 加釆集时长，可有效提高语音的识别率，改进算法也可提高 数学模型在噪音环境的准确度,对语音识别系统在信息化中 应用具有很好的指导意义。
|语音信号卅反混叠滤波同 A/D转换同分析处理|
|信号输岀冃平滑滤波 M D/A转换卜=|合成处理|
图2语音信号预处理简图
3语音识别模型及算法
模型是对信号本质的数学描述， 语音信号是非平稳随机信号，无法用 确定性函数方程描述，因此必须分析 多种语音识别数学模型，求解结果逼 近实际值，因此要建立分类模型。目 前可用模型有两种：高斯混合模型和 隐马尔可夫模型。高斯混合模型的阶 数必须足够大，才能全面体现特征空 间的分布，釆用的协方差矩阵类型为 对角阵，高维特征空间计算量小，优 势明显。模型初值初始条件不同,局部极值差距较大,模型初 值必须修正均值。训练数据少或背景噪声过大时，方差幅度变 小导致函数出现奇异性,只能通过方差限定提高计算精度。
语音识别中的语音增强与去噪技术
语音识别是人工智能领域中的一项重要技术，它能够将人类语音转化为文本，从而方便人机交互。
然而，在实际应用中，语音信号常常会受到各种噪声的干扰，导致语音识别准确率下降。
为了解决这个问题，语音增强与去噪技术应运而生。
语音增强技术旨在在噪声环境下增强语音信号，提高语音识别的准确性。
该技术通常采用空间信号处理的方法，将输入的噪声环境下的语音信号进行分解，将有用信号与噪声信号分离，并增强有用信号，从而减少噪声对语音识别的影响。
常见的语音增强算法包括MFCC算法、短时傅里叶变换(STFT)和倒谱编码(cepstral filtering)等。
然而，当噪声干扰特别严重时，单纯的语音增强技术可能无法完全消除噪声，此时就需要使用去噪技术。
去噪技术通过学习噪声统计特性并建立相应的模型，对输入的语音信号进行滤波处理，以消除噪声的影响。
常见的去噪算法包括Wiener滤波、盲源分离算法(BSS)、自适应滤波算法等。
其中，盲源分离算法不需要知道噪声的统计特性，具有更强的适应性和更高的去噪效果。
在实际应用中，语音增强与去噪技术通常会结合使用。
例如，在嘈杂环境中进行语音识别时，可以先使用语音增强技术增强语音信号，然后再使用去噪技术进一步消除噪声。
另外，一些新兴的技术如深度学习算法也被应用于语音增强和去噪领域，通过训练大规模的语音数据集，学习语音信号的特征和噪声的统计特性，从而实现对语音信号的高效去噪和增强。
总之，语音增强与去噪技术是提高语音识别准确率的关键技术之一。
通过采用不同的算法和方法，结合实际应用场景，可以有效地提高语音识别的性能和准确性。
随着人工智能技术的不断发展，相信未来语音增强与去噪技术将会得到更加广泛的应用和改进，为人工智能领域的发展提供更加有力的支持。
声音信号处理中的语音去噪技术研究与应用
声音信号处理中的语音去噪技术研究与应用在日常生活中，声音的质量往往会受到环境噪声的干扰，使得语音交流变得不清晰，这对于技术的普及和使用产生了很大的阻碍。
因此，在这种情况下，如何去除噪声成为了亟待解决的问题。
语音去噪技术便是破解这个难题的重要方法之一。
一、语音去噪技术的工作原理语音去噪技术的基本原理就是利用信号处理技术，将语音信号中的噪声部分分离出来，并将噪声部分去除，保留语音信号的清晰部分。
目前，语音去噪技术主要分为两种：一种是基于时间域信号的去噪方法，另一种是基于频域信号的去噪方法。
时间域去噪方法主要采用信号滤波来消除噪声。
其主要思路是首先对包含清晰语音和噪声的语音信号进行采样，然后通过滤波器对所采样的信号进行去噪处理，最后将处理后的信号与原始语音信号进行比较。
频域去噪方法则是利用傅里叶变换的特性，将语音信号从时域转换为频域，通过对信号频带的分析与处理，达到去除噪声的目的。
二、语音去噪技术现状与应用语音去噪技术已经被广泛应用于实际生活中。
例如，面对工厂机器、城市交通、人声喧嚣等嘈杂环境的工人或者公司的客服，在保证通话质量的前提下，采用语音去噪技术，可以避免不必要的误解。
同时，在一些研究领域，语音去噪技术也担任着重要的角色。
例如，在医学成像、声音识别、自然语言处理等领域中，语音去噪技术为数据处理提供了更清晰的信号，有效提高了数据准确率。
值得注意的是，随着人工智能的不断发展，语音去噪技术也正在不断地创新和改进。
三、语音去噪技术未来的发展方向目前，语音去噪技术已经达到了一定的成熟度。
但是，在实际应用中，也面临着一些挑战，特别是在深度学习领域中，人们一直致力于改进和完善语音去噪技术，以满足更广泛的应用需求。
例如，一些研究者通过算法模型优化和深度神经网络等技术手段，能够在较嘈杂的环境下，对语音信号进行提取和优化，从而实现更有效的去噪。
除此之外，研究者还尝试将语音去噪技术与其他技术进行整合，以实现更加精准的去噪。
语音信号处理中的语音增强与噪声消除算法
语音信号处理中的语音增强与噪声消除算法随着通信技术与智能设备的不断发展，语音信号处理在人机交互、智能语音助手以及语音识别等领域扮演着重要的角色。
然而，由于环境噪声的存在以及语音信号本身的特点，语音信号处理中的语音增强与噪声消除算法显得尤为重要。
本文将介绍语音增强和噪声消除算法的定义、应用场景、常见方法以及存在的问题和挑战。
语音增强是指通过处理技术提升语音信号的可听性和可理解性。
在噪声环境中，语音信号可能淹没在环境噪声中，导致对话的失真以及语音识别的误差。
语音增强可以从多个方面进行处理，比如减少噪声、增加信号的信噪比、提高语音的清晰度等。
语音增强技术被广泛应用于语音通信、语音识别、语音合成以及听力辅助等领域。
在语音通信中，比如手机通话，由于环境噪声的存在影响了语音的清晰度，语音增强技术能够帮助用户更好地进行通信。
在语音识别中，语音增强技术能够提高语音识别的准确性和鲁棒性。
在听力辅助中，语音增强技术可以帮助听力受损者更好地理解语音内容。
在语音增强算法中，常见的处理方法有频域滤波、时域滤波、自适应滤波等。
其中，频域滤波是通过将语音信号转换到频域进行处理，常用的算法有快速傅里叶变换（FFT）和谱减法等。
时域滤波是直接在时域对语音信号进行处理，常用的算法有线性预测编码（LPC）和短时幅度谱（STFT）等。
自适应滤波是通过估计噪声的统计特性进行自适应调整，常用的算法有最小均方误差（MMSE）和谱减法等。
然而，在语音增强算法中仍存在一些问题和挑战。
首先，语音增强会引入额外的失真和噪声，在提升语音清晰度的同时可能引发不良效果。
其次，在复杂的噪声环境中，很难准确估计语音信号和噪声信号之间的关系，导致增强效果不佳。
此外，语音增强算法在实时性、鲁棒性和计算复杂度等方面也存在挑战。
与语音增强算法相对应，噪声消除算法着重于降低环境噪声对语音信号的影响，使得语音信号更加清晰可听。
噪声消除广泛应用于语音通信、音频处理、语音识别以及语音合成等领域。
第9章抗噪声语音处理技术42页PPT
而有：
P s()P y()P n()
这样减出来的功率谱可以认为是较为纯净的语音功率谱，然 后，从这个功率谱可以恢复降噪后的语音时域信号。
在具体计算时，为防止出现负功率谱的情况，减谱时当
❖ 语音信号和噪声信号的区别
❖ 通过语音降噪技术来改善语音质量的过程如 图14-1所示
9.1概述 9.2语音特性、人耳感知特性及 噪声特性 9.3语音增强技术 9.4特征补偿技术 9.5模型补偿技术
语音增强
❖ 通过语音增强技术来改善语音质量的过程：
❖ 语音增强的主要目的是从带噪的语音信号中 尽可能地恢复出纯净的语音信号
例 残响及传输网络的电路噪声（非加性噪声往往可 以通过某种变换，如同态滤波，转为加性噪声）
❖ 加性噪声：当噪声对语音的干扰表现为两者信号 在时域进行相加时该噪声被称为加性噪声显然噪声 和语音在频域也为相加关系。 例：冲激噪声、周期噪声、宽带噪声、语音干扰
❖ （1）冲激噪声：例如放电，打火，爆炸都会引起 冲激噪声，它的时域波形是类似于冲激函数的窄脉 冲。
噪声特性
对噪声进行划分的标准很多各种分类方法分 析角度不同，介绍一下下面两种分类方法：
1）.根据噪声统计特性随时间变化的程度可以 将噪声分为平稳噪声，缓变噪声和冲激噪声。
2）根据噪声对语音频谱的干扰方式可以把噪声主要 分为加性噪声和乘性噪声。
❖ 乘性噪声：乘性噪声是指噪声和语音在频谱是相 乘的关系在时域和语音则是卷积的关系。
消除冲激噪声影响的方法通常有两种：对带噪语 音信号的幅度求均值，将该均值做为判断阈，凡是 超过该阈值的均判为冲激噪声，在时域中将其滤除； 当冲激脉冲不太密集时，也可以通过某些点内插的 方法避开或者平滑掉冲激点，从而能在重建语音信 号去掉冲激噪声。
抗噪声语音识别及语音增强算法的应用
|
S^K
|
=
[|
yk
|5
-
βλλ n
(
k)
]1 /5
(1)
其中 5,β为参数 。一般的谱减方法中 λ = 2,β = 1。适当的调
整两参数可以获得更好增强效果 。
掩蔽 ,它描述的是在信号发生的整个时间内产生的掩蔽 , 当 两个音同时作用于人耳时 ,强度大的纯音会影响人耳对强度 小的纯音的感知 ,人耳听不到强度小的纯音 。人耳是一个有 限频率分辨率的声学系统 , 分辨率与当前的频率有关 。掩蔽 曲线如图 2[3 ] 。
ABSTRACT: Imp roving the robustness of speech recognition system is an important issue in speech recognition tech2 nology. The performance of traditional speech recognition system degrades seriously when the training environments and the testing environments are m ismatched . In order to acquire satisfactory performance of speech recognition sys2 tem under noisy environment, in this essay, a new robust speech feature extraction method based on p roperties of the human auditory system is p resented . This method p rocesses the noisy speech by using masking p roperties before the M FCC extraction and analyses the speech feature w ith the speech enhancement algorithm and gets the robust speech feature finally. The results in four different kinds of experiments show that the performance of speech recognition sys2 tem can be imp roved greatly by using the new method under noisy environment and the p roposed method is highly ap2 p licable. KEYW O RD S: Speech recognition; Noise; Robustness; M asking model; Spectral substraction
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
特征补偿技术
在很多情况下，背景噪声和失真的变化相对于语音 信号的变化来说要缓慢得多，并且语音信号的动态 部分在语音的感知中具有很大作用。 在语音特征的提取过程中，如果去除其慢变部分 ，则既可以去除稳定和变化缓慢的噪声，同时也保 留了语音中对感知重要的动态部分，因此可以提高 识别系统在噪声环境中的识别率。 这种方法在抗噪声语音特征的提取中得到广泛的应 用，通常可以应用在功率谱域、LOG能量谱域、倒 谱域或自相关等域中。
s y n
这样减出来的功率谱可以认为是较为纯净的语音功率谱，然 后，从这个功率谱可以恢复降噪后的语音时域信号。 在具体计算时，为防止出现负功率谱的情况，减谱时当 Py () Pn () 时，令 P () 0 ，即完整的减谱公式如下： s
Py ( ) Pn ( ), Py ( ) Pn ( ) Ps ( ) 0, Py ( ) Pn ( )
9.1概述 9.2语音特性、人耳感知特性及 噪声特性 9.3语音增强技术 9.4特征补偿技术 9.5模型补偿技术
语音增强
特征补偿技术
模型补偿技术
模型补偿技术
与抗噪声语音特征和语音增强技术相比，
模型补偿技术不是通过减小噪声对语音信号或 语音特征的影响来提高识别系统在噪声环境 中的识别率，而是通过修改语音模型的参数 ，使其能更准确地描述噪声环境中语音信号 的统计特性来提高处理系统的性能。
模型补偿技术
优点：由于这种方法充分地考虑了环境噪声
的特性，因此通常能取得很好的效果。
缺点：是补偿后的语音模型只能适应于特定
的工作环境，并且所需计算量一般比较大。
方法：
PMC 模型补偿方法、环境模型自适应方法 和VTS 模型补偿方法等。
PMC是模型分解的方法。
它的基本思想是： 如果干净语音模型为N 状态的HMM，噪 声模型为M 状态的HMM，那么带噪语音模型 可以认为是N×M状态的HMM。它假设干净 语音和噪声都符合混合高斯分布，然后通过 变换组合得到带噪语音的模型分布。
1）基本原理
假定s(t ) 和 n(t )都是短时平稳随机过程，则由Winer-Hopf
积分方程为：
Rsy ( )
h( ) R
xy
( )d
两边取傅里叶变换有：
Psy () H () Pyy ()
从而得到：
H ( )
Pxy ( ) Pyy ( )
噪声特性
对噪声进行划分的标准很多各种分类方法分 析角度不同，介绍一下下面两种分类方法：
1）.根据噪声统计特性随时间变化的程度可以
将噪声分为平稳噪声，缓变噪声和冲激噪声。
2）根据噪声对语音频谱的干扰方式可以把噪声主要 分为加性噪声和乘性噪声。
乘性噪声：乘性噪声是指噪声和语音在频谱是相 乘的关系在时域和语音则是卷积的关系。 例 残响及传输网络的电路噪声（非加性噪声往往可 以通过某种变换，如同态滤波，转为加性噪声）
按性质：平稳噪声和非平稳噪声
LomBard现象：在噪声环境下，说话者情绪会发生变化，从 而引起声带的变化（对语音处理系统的影响相对较小）
国内外语音信号处理研究成果
目前国内外的研究成果从增强思想上主要分 为以下三类：
1）采用语音增强算法，提高语音识别系统前端预处理的抗噪 声能力，提高输入信号的信噪比。（与后端应用无关）
y(t ) 为带噪语音 n(t ) 为噪声信号， 如果设 s (t ) 为纯净语音信号， 信号，则有：
y(t ) s(t ) n(t )
用 Y ( )、S ( )、N ( ) 分别表示 y(t )、s(t )、n(t ) 的傅里叶变换 ，可得下式：
Y ( ) S ( ) N ( )
(12 31) (12 32)
再由于：
Psy () Ps ()
并且考虑到由于s(t ) 和 n(t ) 相互独立，所以有：
Pyy () Ps () Pn ()
将式（14-32）和式（14-33）代入式（14-31），则有下式 成立：
Ps ( ) H ( ) Ps ( ) Pn ( )
以上推到过程是在短时平稳的前提下进行的，所以语音信号 Pn () 可以由类似于减谱法中讨 必须是加窗后的短时帧信号。 2 Ps ( )( E S ( ) ) 可以用带噪语音功率谱减去噪 论的方法得到； 声功率谱得到。
还有其他的一些Weiner滤波器的形式，如有理分式 结构的Weiner滤波器、隐含Weiner滤波器等等。采 用Weiner滤波器的最大好处是增强后的残留噪声类 似于高斯白噪声，而不是有节奏起伏的音乐噪声。
（4）语音干扰：干扰语音信号和待传语音信
号同时在一个信道中传输所造成语音干扰称 为语音干扰。 区别有用语音和干扰语音的基本方法是利 用它们的基音差别。考虑到一般情况下两种 语音的基音不同，也不成整数倍，这样可以 用梳状滤波器提取基音和各次谐波，再恢复 出有用语音信号。
（5）传输噪声：这是传输系统的电路噪声。
减谱法语音增强技术的基本原理图如图14-10所示。图中处 理频域过程只考虑了功率谱的变换，而最后IFFT变换中需要 借助相位谱来恢复降噪后的语音时域信号。依据人耳对相位 不敏感之一特点，这时可用原带噪语音 y(t )的相位谱来代替 估计之后的语音信号的相位谱来恢复降噪后的语音时域信号 。
利用Weiner滤波法语音增强技术
2 2
由于假定语音信号与加性噪声是相互独立的，因此有：
2
Y ( ) S ( ) N ( ) 因此，如果用Py ()、Ps ()、P 分别表示 y(t )、s(t )、n(t ) n ()
的功率谱，则有：
Py () Ps () Pn ()
而由于平稳噪声的功率谱在发声前和发声期间可以认为基本没 有变化，这样可以通过发声前的所谓的“寂静段”（认为在 这一段里没有语音只有噪声）来估计噪声的功率谱 Pn ()，从 而有： P () P () P ()
与背景噪声不同，它在时间域里是语音和噪 声的卷积。处理这种噪声可以采用同态处理 的方法，把非加性噪声变换为加性噪声来处 理
语音信号和噪声信号的区别
通过语音降噪技术来改善语音质量的过程如
图14-1所示
9.1概述 9.2语音特性、人耳感知特性及 噪声特性 9.3语音增强技术 9.4特征补偿技术 9.5模型补偿技术
9.1概述 9.2语音特性、人耳感知特性及 噪声特性 9.3语音增强技术 9.4特征补偿技术 9.5模型补偿技术
9.1 概述
语音信号作为信息的最普遍最直接的表达方式，在许多领域 具有广泛的应用前景。现实生活中的语音不可避免的要受到 环境的影响。 噪声分类： 按类别：可分为环境噪声等的加性噪声和残响及电器线路干 扰等的乘法性噪声
加性噪声：当噪声对语音的干扰表现为两者信号 在时域进行相加时该噪声被称为加性噪声显然噪声 和语音在频域也为相加关系。 例：冲激噪声、周期噪声、宽带噪声、语音干扰
（1）冲激噪声：例如放电，打火，爆炸都会引起 冲激噪声，它的时域波形是类似于冲激函数的窄脉 冲。 消除冲激噪声影响的方法通常有两种：对带噪语 音信号的幅度求均值，将该均值做为判断阈，凡是 超过该阈值的均判为冲激噪声，在时域中将其滤除； 当冲激脉冲不太密集时，也可以通过某些点内插的 方法避开或者平滑掉冲激点，从而能在重建语音信 号去掉冲激噪声。
（2）周期噪声：最常见的有电动机，风扇之类周 期运转的机械所发出的周期噪声，50Hz交流电源哼 哼声也是周期噪声。通常可以采用陷波器方法予以 滤除。
3）宽带噪声：说话时同时伴随着呼吸引起的
噪声，随机噪声源产生的噪声，以及量化噪 声等都可以视为宽带噪声，应用中常近似为 Gauss噪声或白噪声。 其显著特点是噪声频谱遍布于语音信号频谱 之中，导致消除噪声较为困难。 一般需要采取非线性处理方法。
MAP是模型自适应的方法，
基本思想： 调整模型参数，使得训练环境和实际环境 之间能够最大程度的匹配。它可以很好的利 用模型的先验知识，因此能够解决数据稀少 的问题
语音增强
通过语音增强技术来改善语音质量的过程：
语音增强的主要目的是从带噪的语音信号中
尽可能地恢复出纯净的语音信号
语音增强的主要目的是从带噪的语音信号中
尽可能地恢复出纯净的语音信号。 主要介绍下面两种增强方法： 减谱法 Weiner滤波法
减Байду номын сангаас法（SS）语音增强技术
基本原理
减谱法是处理宽带噪声较为传统和有效的方法，其基本思想 是在假定加性噪声与短时平稳的语音信号相互独立的条件下 ，从带噪语音的功率谱中减去噪声功率谱，从而得到较为纯 净的语音功率谱。
人耳感知特性： 对于声波频率高低的感觉与实际频率的高低不呈线 性关系，而近似为对数关系；对频率的分辨能力受 声强的影响；对语音信号的幅度谱较为敏感，对相 位不敏感。
人耳掩蔽效应：产生一个声音由于另外一个声音的 出现而导致该声音能被感知的阀值提高的现象。
语音增强的最终效果度量是人耳的主观感觉，所以在语音 增强中可以利用人耳感知特性来减少运算代价。
2）第二类方法是寻找稳健的耐噪声的语音特征参数。 如采用 短时修正的相干系数（Short-Time Modified Coherence Coefficient，简称为SMC）作为语音特征参数。
3）第三类方法是基于模型参数适应化的噪声补偿算法，如针 对加法性噪声的HMM合成法，和针对乘法性噪声的 Stochastic Matching法等。通常只考虑到噪声环境是平稳的， 在低信噪比语音以及非平稳噪声环境中的效果并不理想。
本节主要讨论在最小均方准则下用Weiner滤波器实现对语音 信号的估计，即对于带噪语音信号 y(t ) s(t ) n(t ) （其中s(t ) n(t ) 为噪声信号），确定滤波器的冲击响应 h(t ) 为纯净语音信号， ，使得带噪语音信号经过该滤波器的输出s , (t ) 能够满足 2 , , E s (t ) s (t ) 最小（s (t )为滤波器输出）。