语音增强算法旨在提高语音信号的质量，使其在噪声环境中更清晰或更易于识别。以下是一些常见的语音增强算法：
- 频谱减法（Spectral Subtraction）:
频谱减法是一种基于频域的算法，通过估计信号和噪声的频谱并进行相应的减法操作来降低噪声水平。该方法通常需要一个估计的噪声谱，可以使用先验知识或动态估计得到。
- 自适应滤波（Adaptive Filtering）:
自适应滤波方法使用自适应滤波器来对输入信号进行滤波，以最小化噪声成分。Least Mean Squares (LMS) 和 Recursive Least Squares (RLS) 是常用于自适应滤波的算法。
- 谱图估计（Spectrogram Estimation）:
谱图估计算法基于时间频域分析，通过估计短时傅里叶变换（STFT）或梅尔频谱图来提高语音信号的可辨认性。这些方法通常与机器学习技术结合使用，例如深度学习中的卷积神经网络（CNN）。
- 短时噪声幅度估计（Short-Time Noise Spectrum Estimation）:
该方法使用短时窗口内的信号来估计噪声的幅度谱，然后通过减去估计的噪声幅度来增强语音信号。
- 降噪神经网络（Denoising Neural Networks）:
利用深度学习中的神经网络，特别是循环神经网络（RNN）或长短时记忆网络（LSTM）等结构，来学习语音信号和噪声之间的复杂关系，以提高降噪性能。
- 声学场景建模（Acoustic Scene Modeling）:
使用传感器阵列数据进行声学场景建模，通过对声源和噪声进行建模来提高语音信号的可听性。
- 基于幅度谱的方法：
利用信号的幅度谱信息，例如 Wiener 滤波器等。 这些方法的选择通常取决于特定的应用场景、噪声类型以及可用的计算资源。在实际应用中，常常需要根据具体情况选择或组合多个算法以实现更好的效果。
