英伟达用深度学习消除背景噪声

来源：NVIDIA Developer Blog

编译：Bing

想像一下，你正在机场候机，突然来了一通重要的商务电话，而你身处的背景有嘈杂的交谈声、飞机起飞的噪音、甚至还有机场广播。这个时候打电话就很尴尬，生怕对方听不清自己的声音。

现在，英伟达推出了一款名为2Hz的产品，让你接起电话并开始讲话时，噪声突然消失，电话那头的人听不到任何干扰声音。接下来论智将对这一技术详细介绍，首先通过下面的视频了解下这款产品的效果吧：

两年前，我们决定创建一种技术，当人与人沟通交流时，能完全屏蔽背景噪声，让沟通的过程更愉悦、智能。从那时开始，这个问题就一直成为我们关注的重点。

在这篇文章中，我们会了解，为什么噪声抑制这么难、想创建实时的低延迟噪声抑制系统都需要些什么、以及深度学习是如何帮助我们提高噪声消除的质量的。

目前的噪声抑制技术

首先，我们要知道什么是噪声抑制。在这篇文章中，噪声抑制表示，当你与他人通话时，消除来自你所处背景中的噪声，同时也会消除对方背景中的噪声，如下图所示：

噪声抑制是双向的

传统的噪声抑制方法

传统的噪声抑制技术通常用于一些设备的边缘，例如手机、笔记本电脑、会议系统等等。这种方法看起来很直接，因为设备的边缘是最先捕捉到用户声音的位置。一旦捕捉到声音，设备会将杂音过滤掉，传递到对话的另一端。

十年前，手机通话的体验还非常差。但现在，越来越多的手机会配有多个麦克风，可以帮助抑制环境噪声。

如下图所示，现在的手机通常有两个甚至多个麦克风，最新一代的iPhone有4个。第一个麦克风在手机前面下部，最靠近用户的嘴巴，可以直接捕捉用户声音。手机设计师将第二个麦克风设计得尽量远离第一个麦克风，通常在手机背部的下方。

pixel 2016，黄色区域是麦克风的位置

这两个麦克风都能捕捉到背景声音，不过第一个能捕捉到更多人类声音，第二个收到的人类声音更少。之后通过软件处理，生成一种接近清晰的人声。

这种方法听起来很简单，但事实上失败的次数也很多。例如，当通话者没有说话时，麦克风接收到的全是噪音。或者说话者在打电话过程中会不断晃动手机等等，这种情况就难以处理了。

此外，两个或两个以上的麦克风设计会给生产厂商增加难度，音频/硬件/软件工程师们必须在工业设计和语音质量上做取舍。

目前，手机已经能在嘈杂的环境中表现得不错了，虽然现在的噪声抑制技术还不够完美，但是的确在用户体验上有了极大提升。

当使用分离的麦克风时，尺寸因素又成为了一大问题，如图所示，第一个和第二个麦克风之间的距离必须符合最小距离要求，只有这样才能既让用户听得清，也能让手机捕捉到清晰的人声。

但是，直板似的手机不是唯一的通讯设备。可穿戴设备（智能手表、附着在胸部的麦克风等）、笔记本电脑、平板电脑和智能语音助手等都和手机的设计有所不同。用户会从设备的任意角度、距离进行通话。在大多数情况下，很难有通用的噪声抑制技术。

从多麦克风设计转移到单一麦克风设计

多麦克风的设计有几点重要的缺点：

• 它对尺寸有一定要求，只能用于手机或头戴设备上；

• 多麦克风的设计会导致音频路径非常复杂，需要更多硬件和代码的支持。除此之外，第二个麦克风打孔的位置也对工业生成有较高要求；

• 音频只能在设备边缘处理，所以算法可能无法支持过于复杂的计算。

那么是否有一种方法，可以将多个麦克风合成一个，将所有的后期处理都交给软件？从而硬件设计更简单，也更高效。

传统的数字信号处理（DSP）算法尝试持续寻找噪声模式，逐帧处理音频。这些算法在特定案例中表现得很好，但是无法扩展到日常场景中。

基础噪声的类型有两类：静止和非静止的，如下图所示：

白噪声（静止）和Chirp噪声（非静止）的声谱图

我们可以将静止的噪声想象成一直重复、但和人类语音不同的声音。传统的DSP算法（自适应过滤）在消除这类噪声时很有效。

而非静止噪声的模式非常复杂，和人类声音的模型很相似，难以区分。它们的信号很短，并且出现的速度很快（类似在键盘上打字）。

如果想同时解决以上两种噪声，可能就要突破传统数字信号处理技术了。我们认为，深度学习是解决这一问题的重要方式，所以提出了2Hz。

用深度学习分离背景中的噪声

2015年，Yong Xu等人曾发表论文，提出用深度学习进行噪声抑制。Yong提出一种回归方法，通过学习为每个音频率生成比例掩码。生成的比例掩码完全与人声分离，并且可以删除外部噪声。虽然这种方法还不够完美，也算一个很好的基础了。

在接下来的几年时间里，很多不同方法相继出现，高级别的方法几乎相同，它们常常分为三步：

1. 数据收集：将纯净的语音和噪音混合，生成大量合成的嘈杂数据集；

2. 训练：将数据集输入到DNN中，得出清晰的语音输出。

3. 推理：创建掩码，将人声与噪声分离开。

在2Hz中，我们尝试了多种DNN，最终得出了唯一的DNN架构，可以在多种场景下得出可靠的结果。平均MOS分数上升了1.4，是目前最佳成绩。

能否实现实时DNN？

延迟是实时对话中的重要问题。人类可以忍受的上限为200毫秒的延迟，否则的话就会影响通话效果。

影响端到端延迟的因素有三个：网络、计算和编解码器。通常网络延迟是主要因素。编解码器的延迟根据不同模式可能会有5—80毫秒的延迟，但是目前所用的编解码器已经非常高效了。而计算的延迟则有多方面因素。

计算延迟让DNN更具挑战性。如果你想用DNN处理每一帧，结果很可能会造成严重的延迟。计算延迟取决于以下几点因素：

计算平台的能力

我们不可能在一台头戴设备中运行大型DNN，因为有CPU和电源的限制。所以想做到实时处理非常困难，除非平台有一台加速器，可以快速进行矩阵相乘，并且还不那么费电。

DNN架构

DNN的速度取决于有多少个超参数、DNN的层数，以及节点进行的什么操作。如果你想生成高质量结果，那么DNN就不能太小。

音频采样率

DNN的表现取决于音频采样率，采样率越高，得到的超参数就越多。

如何测试噪声抑制算法？

测试声音是否得到改善也是一个难题，因为人耳很难分辨细微的差别。可是，目前也没有公开的针对噪声抑制效果的基准，所以对结果进行比较比较有挑战性。

大多数论文采用PESQ、MOS和STOI衡量结果。你提供一个原始声音音频和经过处理的音频，算法会生成一个分数。

ETSI Room

另一种更专业的发方法是进行主观音频测试，在不同标准体上测试看它们能否符合标准。

EGPP通讯组织创建了ETSI Room，如果你想将算法应用到实际中，就必须在设备中安装这一装置。

这一设置能完美地将噪声分离。它其中有一个智能机器人，内置的扬声器会模拟声音，另外在一定距离之外还有麦克风。

这一设备能让测试者用周围的扬声器模拟不同噪声，从机器人的扬声器里发出人声，最终用算法处理捕捉到的音频。这一切都能自动进行。

输出噪声和输入噪声

假设现在你正在和团队参加电话会议，总共有4人。所以潜在的噪声就有4种，每个人都有可能制造背景噪声。

传统来说，噪声抑制都在边缘设备上，也就是仅限于麦克风。你从麦克风中得到信号，一直噪声，然后对信号进行上采样。

由于单一麦克风的DNN方法只需要一个源流，你可以将它放置在任意地方。假设现在你想过滤掉麦克风的信号（输出噪声）和听到的扬声器中的信号（输入噪声）。我们创建了APP——Krisp，它可以处理两种噪声：

以下视频演示了非静止噪声是如何被DNN过滤掉的：

对输入噪声抑制来说，问题变得越来越复杂了。你需要处理算法不常见的声音和人声变体。例如，你的团队可能会用到会议设备，或者离设备距离较远。或者远程的人是从车里打的电话，带来更多环境噪声。另外，可能会有几个人同事说话的情况，这样又该怎样判定哪些是噪声呢？

有时听到手机铃声响起，他应该算是噪声还是铃声？

转向云计算

了解了噪声抑制技术所需要的条件，而算法又是完全基于软件的，那么它可以迁移到云上吗？如下图所示：

在云上进行噪声抑制有多种优点

答案是肯定的。首先，基于云的噪声抑制技术能在多种设备上运行，另外，它能进行双向甚至多向工作。在过去，这是不可能的事，因为传统方法需要多个麦克风。然而，深度学习技能支持单个麦克风，也能用云进行计算。

现在，最大的问题就是算法的可扩展性了。

GPU vs CPU

如果我们想让算法足够服务真实的因特网语音（VoIP）负载，我们就需要了解算法是如何工作的。

目前的大型VoIP设备可以支持10K—100K的流。有很多因素会影响媒体服务器可以支持的音频流，其中最主要的因素就是服务器平台。如下图所示，基于云的媒体服务器和经过优化的裸机服务器相比，裸机服务器明显胜出：

服务器必须价格实惠，才能让消费者看到优势。我们首先用CPU对2Hz做了实验，单个CPU核可以处理最多10个平行流。

之后，我们在GPU上做了实验，结果非常惊人。一个英伟达1080ti在没有优化的情况下可以扩展到1000个流，经过优化最大可以达到3000个流。

用CUDA进行批处理

让我们来研究下，为什么GPU能比CPU强这么多。

CPU供应商们一直以来将大量的时间和精力用于优化和加速单线程架构，用算法和各种技术尽可能缩短单线程的时间。因为大多数应用都只需要一个线程，所以CPU制造者只需要发展结构即可让应用发挥最大性能。

而GPU供应商需要对很多平行任务进行优化，大量平行都需要3D图形处理。

批处理（Batching）就是在GPU中平行处理的意思，你讲一批数据输入进GPU中，经过平行处理后再返回，这是音频流处理的理想工具：

这里，我们用英伟达的CUDA库直接在英伟达GPU上运行这一过程。下方的代码表示CUDA的矩阵相乘过程。

void kernelVectorMul(RealPtr dst, ConstRealPtr src1, ConstRealPtr src2, const size_t n)
    {
        const size_t i = threadIdx.x + blockIdx.x * blockDim.x;
        if (i < n)
            dst[i] = src1[i] * src2[i];
    }
    void Utils::vectorMul(RealPtr dst, ConstRealPtr src1, ConstRealPtr src2, const size_t n)
    {
        dim3 gridSize(n / getDeviceMaxThreadsX() + 1, 1, 1);
        dim3 blockSize(getDeviceMaxThreadsX(), 1, 1);
        kernelVectorMul <<< gridSize, blockSize >>> (dst, src1, src2, n);
    }
    void Utils::vectorMul(Vector& dst, const Vector& src1, const Vector& src2)
    {
        vectorMul(dst.getData(), src1.getData(), src2.getData(), dst.getSize());
    }
    void Utils::matrixMulRowByRow(Matrix& dst, const Matrix& src1, const Matrix& src2)
    {
        vectorMul(dst.getData(), src1.getData(), src2.getData(), dst.getSize());
    }

下面是用CUDA进行快速傅里叶变换的过程。

FFT::StatusType FFT::computeBackwardBatched(ComplexTypePtr src, RealTypePtr dst)
    {
        StatusType s = cufftExecC2R(backward_handle_, reinterpret_cast<cufftComplex*>(src), dst);
        dim3 gridSize((getBatchSize() * getForwardDataSize()) / thr_max_ + 1, 1, 1);
        dim3 blockSize(thr_max_, 1, 1);
        float val = getForwardDataSize();
        kernelDivide <<< gridSize, blockSize >>> (dst, val, getBatchSize() * getForwardDataSize());
        return s;
    }
    FFT::StatusType FFT::computeBackwardBatched(ComplexVector& src, Vector& dst)
    {
        return computeBackwardBatched(src.getData(), dst.getData());
    }

原文地址：devblogs.nvidia.com/nvidia-real-time-noise-suppression-deep-learning/