Rehaussement de la parole par des techniques de séparation de sources bi-capteurs

Speech enhacement by two-microphone source separation technique

• Auteur / Autrice : Zaher El- Chami
• Direction : Dinh Tuan Pham, Christine Servière, Alexandre Guérin
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, parole, télécoms
• Date : Soutenance en 2010
• Etablissement(s) : Grenoble INPG
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Grenoble Images parole signal automatique
• Partenaire(s) de recherche : Entreprise : France Telecom Orange labs (2007-2012)
• Jury : Président / Présidente : Christian Jutten
• Jury : Rapporteurs / Rapporteuses : Karim Abed-Meraim, Yannick Deville

Mots clés

Mots clés contrôlés

Reconnaissance automatique de la parole

Séparation de sources (traitement du signal)

Traitement du signal -- Techniques numériques

Mots clés libres

Séparation de sources

Localisation

Rehaussement de la parole

Traitement temps fréquence

Masquage

Espérance maximisation

Source separation

Localization

Speech enhacement

Time frequency processing

Masking

Expectation maximisation

Résumé

La séparation aveugle de sources est étudiée dans cette thèse comme une technique pour débruiter de parole. Une nouvelle méthode de séparation basée sur un modèle de probabilité est proposée pour le cas sous déterminé. Contrairement à ce qu'il était proposé jusqu'à présent, nous montrons que le rapport entre les représentations temps-fréquence (TF) de deux observations, revenant à une seule source, n'est pas constant, mais varie aléatoirement suivant une distribution de probabilité que nous allons estimer. Sous l'hypothèse d'avoir des supports TF disjoint entre les sources, le modèle de la distribution théorique du couple (log ILD/IPD), représentant respectivement le logarithme de la différence d'énergie et la différence de phase entre les deux observations du mélange, est calculé. Les paramètres de ce modèle sont estimés par la technique Espérance-Maximisation afin de construire les masques TF de séparation. De plus, une nouvelle méthode pour compter et localiser le nombre des sources est présentée. Les performances de la méthode de séparation et du comptage et localisation sont évaluées sur des bases de données réelles. Des bons résultats sont obtenus même dans des situations sévères

This thesis considers the blind separation of nonstationary sources as a technique for speech enhancement. A new model-based blind speech separation for underdetermined case is presented. In contrast to customary assumption, we show that, for a given frequency band, the observed Short-Time Fourier Transform (STFT) ratio coming from one source observation is not constant in time, but is a random variable whose distribution we have obtained. Under disjoint support assumption, a theoretical distribution model of the interchannel log level and phase difference (log ILD/IPD) of the two mixtures is computed. Using an expectation -maximization (EM) procedure, the parameters of this distribution model are estimated, yielding to build soft time-frequency separation masks. A new method to count and locate the number of sources is also presented. The performance of the Model Base Underdetermined Source Separation (MBUSS) as well as the counting and localization algorithm is evaluated on real-world audio mixtures. Results show that the proposed algorithms gives promising results in challenging scenarios