有谁知道过滤器来衰减非语音？我正在编写语音识别软件，并想过滤除人类语音以外的所有内容。这将包括背景噪音、由蹩脚的麦克风产生的噪音，甚至是背景音乐。我已经实现了补偿功率谱 6 dB 滚降的一阶滤波器，但我仍然听到噪音（虽然语音听起来更清晰）。我曾想过使用低通滤波器，但我不确定这样做有两个原因：
我不知道低通前置滤波器是否会干扰其余的语音处理。尽管人耳只能检测到低于 20 kHz 的声音，但我不想冒险消除处理语音可能需要的任何高阶谐波（尽管我不知道是否是这种情况。但是我不想冒险）。
我知道某些辅音（如 f、h 和 s）的激发几乎完全是白噪声。可以这么说，我不想实现可以消除良好噪声的噪声滤波器。
理想情况下，我希望只留下对着麦克风讲话的人的讲话。如果您有任何想法，或者我缺少某些东西，请告诉我。非常感激！
电话中使用的语音通信信道通常具有 300 Hz 到 3 kHz 的频率响应。尽管这会抑制正常语音中的大量能量，但可理解性仍然相当好 - 主要问题似乎是某些爆破辅音，例如“p”和“t”，如果没有更高频率的成分，可能会有点难以区分.
因此，您可能正在使用通常在消费者音频中发现的完整 20 Hz - 20 kHz 带宽和用于语音通信的最激进的过滤（见上文）之间的某个“最佳位置”。我建议从 50 Hz 到 8 kHz 的带通滤波器开始。它可能最多只能将 SNR 提高几个 dB，但它可能会有所帮助，尤其是在您有很多高频背景噪声的情况下。
使用与语音带宽匹配的通带滤波器会有所帮助。
如果您有多个麦克风（就像现在手机上的情况一样），有很多类似 ICA 的方法可以利用这一点 - 但您的问题暗示我您只有一个输入。
您要做的是“单麦克风源分离”（名称取自 Roweis 的开创性论文），也称为“单传感器”。警告：这远不是一个已解决的问题，并且该领域的所有研究都是最近的，没有算法或方法是“明显的赢家”（与高斯混合模型 + FST 用于语音识别不同）。
一个很好的框架是通过维纳过滤。见 Benaroya 等人。“基于维纳滤波和多窗口 STFT 的单传感器源分离”（阅读第 1 和第 2 节，除非您真的需要，否则不要打扰多分辨率的事情）。简而言之，您计算信号的 STFT，对于每个 STFT 帧，您尝试获得语音频谱和噪声频谱的估计值，然后使用 Wiener 滤波从中恢复语音频谱的最佳估计值（这类似于“软屏蔽”频谱）。
您现在的问题如下：给定一个 STFT 帧，从中估计语音和噪声分量。Benaroya 的论文中描述的更简单的方法是通过矢量量化 - 用多个说话者进行数小时的语音，计算 STFT，在其上运行 LBG 以找到 512 或 1024 个典型语音帧的码本；对噪音做同样的事情。现在，给定输入信号的一帧，将其非负投影（论文中描述了乘法梯度更新过程）到语音和噪声基础上，您就可以得到语音和噪声估计值。如果您不想处理非负投影的事情，只需使用最近的邻居。这确实是“单传感器源分离”部门可能工作的最简单的事情。
请注意，语音识别系统确实可以为分离系统提供一些输入。使用您的语音识别系统进行第一次解码。对于每一帧，从获得最佳分数的高斯中获取平均 MFCC 向量。将其转换回频谱。繁荣，您有一个掩码，可以为您提供类语音位的最可能的频谱位置，您可以将其用作维纳滤波的输入。这听起来有点像挥手，但要旨是要分离一个源，你需要一个好的模型，而后退的语音识别系统是一个很好的语音信号生成模型。
您可能应该考虑进行独立分量分析 (ICA)，因为您的问题与经常用于描述 ICA 的“鸡尾酒会”问题非常相似。简而言之，ICA 可以找到彼此独立的信号分量。这假定环境中的其他噪声（洗碗机、白噪声、风扇嗡嗡声）将独立于语音的信号源并且可以分离。
ICA 类似于 PCA（主成分分析），但它不是最大化主轴上的方差，而是最大化独立性。有许多 ICA 实现应该插入到您正在使用的任何编码环境中。