技术原理概述
PercepNet是某中心Chime语音焦点功能的核心技术，专门用于实时抑制语音信号中的噪声和混响。该技术在Interspeech 2020深度噪声抑制挑战赛中，以仅占用4%CPU核心资源的优势获得实时处理类别第二名。
信号处理基础
短时傅里叶变换的局限
传统方法采用短时傅里叶变换将信号分解为400个频率区间，但直接估计所有区间的幅度和相位计算量巨大。实验显示，即使使用理想幅度估计器，仅采用噪声相位重建的语音仍存在明显粗糙感。
感知优化表示
基于人耳听觉特性，技术方案采用等效矩形带宽划分的34个频带代替400个频率区间：
- 频带宽度随频率增加而扩大，模拟人耳听觉分辨率
- 每个频带包含多个STFT区间，实现频谱平滑
- 大幅降低模型复杂度至原来的8.5%
核心技术突破
梳状滤波技术
针对语音中的谐波成分（如元音），采用基于基音周期的梳状滤波器：
- 通过自相关算法估计基音频率
- 使用维特比算法确保基音轨迹时序一致性
- 在频域实现谐波与噪声的精确混合控制
后滤波处理
借鉴1980年代语音编解码器技术，对残留噪声频带进行选择性衰减，利用听觉掩蔽效应提升主观听感。
深度学习集成
轻量化网络设计
- 采用门控循环单元处理时序依赖
- 仅需估计34个频带增益和34个滤波强度参数
- 800万权重使用8位量化，通过SIMD指令优化
实时性能表现
- 20毫秒帧长配合50%重叠，适应标准音频编解码器
- 包含20毫秒前瞻缓冲，总延迟控制在30毫秒内
- 现代笔记本电脑CPU占用率低于5%
应用前景
该技术框架可扩展应用于声学回声控制、波束成形后处理等场景，支持WebAssembly在浏览器端部署，适用于WebRTC实时通信应用。
