【技術(shù)分享】STM32實(shí)現(xiàn)單麥克風(fēng)實(shí)時(shí)神經(jīng)網(wǎng)絡(luò)降噪

本文是基于NNoM神經(jīng)網(wǎng)絡(luò)框架實(shí)現(xiàn)的。NNoM是一個(gè)為單片機(jī)定制的神經(jīng)網(wǎng)絡(luò)框架，可以實(shí)現(xiàn)TensorFlow 模型的量化和部署到單片機(jī)上，可以在Cortex M4/7/33等ARM內(nèi)核的單片機(jī)上實(shí)現(xiàn)加速（STM32，LPC，Nordic nRF 等等）。

NNoM和本文代碼可以在后臺回復(fù)：“麥克風(fēng)降噪”領(lǐng)取。

STM32實(shí)現(xiàn)單麥克風(fēng)實(shí)時(shí)神經(jīng)網(wǎng)絡(luò)（RNN）降噪演示

硬聲創(chuàng)作者：麻博士在科研

這個(gè)例子是根據(jù)著名的 RNNoise (https://jmvalin.ca/demo/rnnoise/) 的降噪方法進(jìn)行設(shè)計(jì)的。整體進(jìn)行了一些簡化和定點(diǎn)化的一些修改。

本例與RNNoise主要的區(qū)別如下:

此例子并非從RNNoise的模型直接轉(zhuǎn)換而來，而是從新基于Keras訓(xùn)練一個(gè)新模型，并轉(zhuǎn)化成NNoM模型。

音頻信號處理去掉了Pitch Filtering的部分。

RNN 網(wǎng)絡(luò)定點(diǎn)化時(shí)，根據(jù)定點(diǎn)模型的一些特點(diǎn)進(jìn)行了部分神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)修改。

訓(xùn)練數(shù)據(jù)集選擇上使用了微軟的可定制語音數(shù)據(jù)庫而不是RNNoise收集的數(shù)據(jù)庫。

此例子用到的三方庫如下，大部分為寬松許可，但請大家在使用時(shí)遵循他們的開源協(xié)議。

RNNoise (https://jmvalin.ca/demo/rnnoise/)

Microsoft Scalable Noisy Speech Dataset (https://github.com/microsoft/MS-SNSD)

python speech features (https://github.com/jameslyons/python_speech_features)

arduino_fft (https://github.com/lloydroc/arduino_fft)

CMSIS (https://github.com/ARM-software/CMSIS_5)

NNoM本身許可為 Apache-2.0，詳細(xì)信息請看NNoM 開源主倉庫下的許可信息 (https://github.com/majianjia/nnom).

一些背景知識

如何用神經(jīng)網(wǎng)絡(luò)進(jìn)行語音降噪？

神經(jīng)網(wǎng)絡(luò)降噪通常有兩種方式：

語音信號直入神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)全權(quán)進(jìn)行識別處理并輸出降噪后的語音信號。

神經(jīng)網(wǎng)絡(luò)識別語音和噪音的特征，動態(tài)輸出增益，使用傳統(tǒng)信號處理方法進(jìn)行濾波。

RNNoise 使用的是第二種方法。

實(shí)際進(jìn)行語音降噪（濾波）的部分，是一個(gè)均衡器，也就是大家播放器內(nèi)調(diào)節(jié)低音高音的那個(gè)玩意兒。而均衡器(Equalizer)的本質(zhì)是很多個(gè)平行的帶通濾波器(Bandpass Filter). 我們神經(jīng)網(wǎng)絡(luò)的輸出，就是均衡器內(nèi)各個(gè)filter band的增益。

那輸入是什么？跟之前的 KeyWord Spotting例子(https://github.com/majianjia/nnom/tree/master/examples/keyword_spotting) 一樣，我們這里使用了梅爾倒頻譜 (MFCC)。如果不熟悉的小伙伴，可以回去看看KWS的解釋或自行百度。

跟RNNoise有一些不一樣的是我們的例子使用MFCC和梅爾刻度 (Mel-scale) 而不是他們用的OPUS-Scale 或者響度刻度 (Bark-Scale)。單純從刻度的對比上，他們其實(shí)差別不是很大。感興趣的同學(xué)可以自己去查查他們的區(qū)別。

系統(tǒng)圖如下

運(yùn)行步驟

如果想看詳細(xì)的解析，請?zhí)轿恼潞蟀氩糠?。這里介紹在RTT和STM32L476板子上把這套算法跑起來的步驟。

1.下載語音數(shù)據(jù)集

這里我們使用的數(shù)據(jù)集是微軟的可定制語音數(shù)據(jù)集Microsoft Scalable Noisy Speech Dataset (MS-SNSD: https://github.com/microsoft/MS-SNSD)。我們可以定制時(shí)長，噪音類型，噪音混合信噪比等。你需要把整個(gè)倉庫下載在 MS-SNSD/文件夾內(nèi)。整個(gè)數(shù)據(jù)庫有2.x GB大佬們請自行進(jìn)行g(shù)ithub加速。

下載完后，你就可以用它生成我們需要的干凈的語音和帶噪音的語音。同時(shí)我們還控制了語音混合的程度，也就是信噪比(SNR).

在MS-SNSD/目錄下修改 noisyspeech_synthesizer.cfg 就可以配置需要生成的語音文件，推薦配置如下:

sampling_rate:16000

audioformat:*.wav

audio_length:60

silence_length:0.0

total_hours:15

snr_lower:0

snr_upper:20

total_snrlevels: 3

如果打算快速測試一下，可以把 total_hour 減少為1或者2小時(shí)。

修改完后，運(yùn)行 noisyspeech_synthesizer.py 就可以生成我們需要的音頻WAV文件了。我們需要一對一的干凈的語音和帶噪音的語音，它們分別在MS-SNSD/CleanSpeech_training 和 MS-SNSD/NoisySpeech_training 內(nèi)。

2. 生成訓(xùn)練數(shù)據(jù)集

之前一步獲取到的是.wav文件，而我們訓(xùn)練神經(jīng)網(wǎng)絡(luò)使用的是 MFCC 和 gains。

現(xiàn)在我們可以運(yùn)行例子提供的gen_dataset.py來計(jì)算MFCC和gains。它最終會生成一個(gè)dataset.npz文件。

在這個(gè)文件里面，你可以配置這些內(nèi)容

需要MFCC的特征數(shù)(同時(shí)也會修改均衡器Equalizer的Banpass Filter的數(shù)量)。修改 num_filter = 20即可。通常數(shù)字在10到26。

這個(gè)腳本也會生成一個(gè)c工程使用的濾波器參數(shù)文件equalizer_coeff.h (generate_filter_header(...))。在C語音的均衡器中會使用這個(gè)頭文件。

另外，這個(gè)腳本還會生成兩個(gè)Demo音頻。一個(gè)叫_noisy_sample.wav 另一個(gè)叫 _filtered_sample.wav。前者為從訓(xùn)練集里面選出的一個(gè)帶噪音的范例，后者為用gains和均衡器濾波后文件?；旧希@個(gè)文件代表了這個(gè)降噪方法的最好的水平。后文會有詳細(xì)的說明怎么生成這個(gè)gains。

3. 訓(xùn)練模型

當(dāng)dataset.npz生成后，我們就可以跑 main.py來訓(xùn)練Keras模型了。訓(xùn)練好的模型會保存在目錄下model.h5

因?yàn)槲覀兊哪Ｐ妥罱K要放在單片機(jī)上跑，RNN 每次處理一個(gè) timestamp，所以我們的模型設(shè)置為stateful=True 和 timestamps=1。這樣的設(shè)置對于訓(xùn)練并不是很理想，因?yàn)榉聪騻鞑ィ˙P）沒有辦法很好的在很小的batch上工作。我們的Batch盡量設(shè)置得很大。這里設(shè)置batchsize >= 1024。

同時(shí)，這一步會把我們之前的噪音范例_noisy_sample.wav ，使用RNN生成的gains來濾波filtered_sig = voice_denoise(...)（可以對比我們真實(shí)gains降噪的結(jié)果）。濾波后的文件保存為_nn_filtered_sample.wav。

在最后，調(diào)用NNoM的API generate_model(...) 生成NNoM模型文件 weights.h。

4. RNN 在 NNoM 上部署

本例提供了SConstruct， 所以你可以直接在目錄下運(yùn)行 scons 來編譯。默認(rèn)使用目錄下的main.c 編譯成PC可執(zhí)行程序。支持32/64bit windows。理論上也支持linux。

這個(gè)二進(jìn)制文件可以直接對 .wav 文件降噪并生成一個(gè)新的 .wav文件，使用方法如下:

注意：僅僅支持16kHz 1CH的格式。(程序不解析WAV只復(fù)制文件頭)。

Win powershell: .\rnn-denoise [input_file] [output_file] 或者拖拽.wav 文件到編譯完成的*.exe上

Linux: 大家自己試試

比如，運(yùn)行這個(gè)指令生成定點(diǎn)RNN濾波后的音頻：.\rnn-denoise _noisy_sample.wav _nn_fixedpoit_filtered_sample.wav

到此，目錄下一共有四個(gè)音頻，大家可以試聽一下。

_noisy_sample.wav-->原始帶噪音文件

_filtered_sample.wav-->用真實(shí)gains降噪的文件(訓(xùn)練的gains)

_nn_filtered_sample.wav-->Keras浮點(diǎn)模型gains降噪

_nn_fixedpoit_filtered_sample.wav   --> NNoM定點(diǎn)模型gains降噪

關(guān)于演示可以看文章頂部的視頻。

不過，大家可以先看個(gè)圖視覺上感受一下。Filtered by NNoM是我們單片機(jī)上的效果，對比Keras是模型原始輸出的效果。而Truth Gain是模型訓(xùn)練輸入的參考，也就是最原始最好的效果。可以看到這個(gè)算法濾掉的不少的東西，具體是不是噪聲。。。再說。

以下是一大波細(xì)節(jié)講解

總的來說，我推薦大家看 gen_dataset.py 和 main.py里面的步驟，很多詳細(xì)的步驟都在注釋里面有相關(guān)的解釋。

關(guān)于訓(xùn)練數(shù)據(jù)

x_train 里面包含了13或者20個(gè)（默認(rèn)）MFCC，除此之外，還有前10個(gè)MFCC特征的第一和第二導(dǎo)數(shù)(derivative)。這些為常用的語音識別特征。所以一共有 33 到 40 個(gè)特征。

訓(xùn)練數(shù)據(jù)的生成步驟

y_train 里面有兩組數(shù)據(jù)，一組是gains，另一個(gè)叫 VAD

Gains 與RNNoise方法相同，為 clean speech/noisy speech 在每一個(gè)band上的能量的開平方。是一組0-1的值，組大小為均衡器的帶通濾波器個(gè)數(shù)。

VAD 全稱叫 Voice Active Detection。為一個(gè)0-1的值，指示是否有語音。計(jì)算方法為檢測一個(gè)窗口內(nèi)總能量的大小是否超過一個(gè)閾值。

語音能量和激活閾值

關(guān)于 Gains 和 VAD

在默認(rèn)的模型里面，有兩個(gè)輸出，其中一個(gè)便是VAD。在main_arm.c (單片機(jī)版本的Demo)里面，這個(gè)VAD值控制了板子上的一個(gè)LED。如果VAD > 0.5 LED 會被點(diǎn)亮。

下圖為使用Keras的模型識別 VAD時(shí)刻 和 gains 的計(jì)算結(jié)果。

在語音中各個(gè)頻段的增益

關(guān)于均衡器

這里使用了20（默認(rèn)）或者13個(gè)帶通濾波器(Filter Band)來抑制噪音所在的頻率。實(shí)際上你可以設(shè)置成任何值。不過我推薦 大于10且小于30。每一個(gè)獨(dú)立的帶通濾波器的-3dB點(diǎn)都與它附近的帶通濾波器的-3dB點(diǎn)相交。響頻曲線如下:

濾波器響應(yīng)頻率范圍

音頻信號會平行地通過這些帶通濾波器，在最后把他們相加在一起。因?yàn)闉V波器是交叉的，最終混合的信號幅度過大導(dǎo)致數(shù)值溢出，所以最終混合的信號會乘上一個(gè)0.6（并非數(shù)學(xué)上驗(yàn)證的數(shù)值）再保存在int16 數(shù)組內(nèi)。

關(guān)于RNN模型的結(jié)構(gòu)

這里提供了兩個(gè)不同的RNN模型。一個(gè)是與RNNoise 類似的模型，各個(gè)RNN層之間包含很多的支線。這些支線會通過 concatenate 合并在一起。這個(gè)模型還會提供一個(gè)VAD輸出。整個(gè)模型一共約 120k的權(quán)重。比RNNoise稍高因?yàn)樽隽艘恍┽槍Χc(diǎn)模型的改變。其實(shí)這個(gè)模型有點(diǎn)過于復(fù)雜了，我嘗試過減少模型參數(shù)，仍然可以很好的進(jìn)行降噪。大佬們可以大膽地調(diào)整參數(shù)。如圖下圖所示。

另一個(gè)模型是一個(gè)簡單的多層GRU模型，這個(gè)模型不提供VAD輸出。非常震驚的是這個(gè)模型也能提供不錯(cuò)的效果。

如果想嘗試這個(gè)簡單的模型，在main.py里面修改 history = train(...) 成 train_simple(...)。

Keras的RNN需要把 stateful=True 打開，這樣NNoM在每計(jì)算一個(gè)timestamps的時(shí)候才不會重置state。

MCU 例子

這里提供了一個(gè) MCU 的文件main_arm.c。這個(gè)文件針對 STM32L476-Discovery 的麥克風(fēng)做了移植，可以直接使用板載麥克風(fēng)進(jìn)行語音降噪。

例子通過一個(gè)綠色 LED（PE8）輸出VAD檢測的結(jié)果，有人說話時(shí)就會亮。

除了單片機(jī)相關(guān)的代碼，功能上MCU代碼main_arm.c與PC代碼main.c完全一致， 本例雖然做了音頻降噪，但是并沒有針對音頻輸出寫驅(qū)動，所以降噪輸出是被直接拋棄了。大家可以自己寫保存或者回放的代碼。

如果你使用的是 ARM-Cortex M系列的MCU，做以下設(shè)置可以提升性能 （參考下面性能測試章節(jié)）。

打開 NNoM 的 CMSIS-NN 后端，參考 Porting and Optimization Guide (https://github.com/majianjia/nnom/blob/master/docs/Porting_and_Optimisation_Guide.md)

在 mfcc.h里面，打開 PLATFORM_ARM 宏定義來使用ARM_FFT。

MCU 上的性能測試

傳統(tǒng)的 RNNoise 不止包含了浮點(diǎn)模型，還包括了其他計(jì)算（比如Pitch Filtering），導(dǎo)致總計(jì)算量在40MFLOPS左右。即是換成定點(diǎn)計(jì)算，一般的單片機(jī)也會很吃力。

本例中，浮點(diǎn)FFT，定點(diǎn)RNN模型，浮點(diǎn)均衡器（濾波器），并去掉了Pitch Filtering（額其實(shí)是因?yàn)槲也恢涝趺从茫?。我對這里使用的幾個(gè)運(yùn)算量大的模塊進(jìn)行了測試，分別是MFCC部分(包含F(xiàn)FT)，神經(jīng)網(wǎng)絡(luò)部分，還有均衡器。

測試環(huán)境為

Board: STM32L476-Discovery

MCU: STM32L476, 超頻到 140MHz Cortex-M4F

音頻輸入: 板載PDM麥克風(fēng)

音頻輸出: 無

IDE: Keil MDK

測試條件:

神經(jīng)網(wǎng)絡(luò)后端: CMSIS-NN 或 Local C （本地后端）

FFT 庫(512點(diǎn)): arm_rfft_fast_f32 或 純FFT arduino_fft

優(yōu)化等級: -O0/-O1 或 -O2

均衡器濾波器數(shù)目: 13 band 或者 20 band

需要注意的是，這里使用的音頻格式為 16kHz 1CH，所以我們每次更新（FFT窗口:512，overlapping=50%）只有 256/16000 = 16ms 的時(shí)間來完成所有的計(jì)算。

13 Band Equalizer

可以看到，在完全優(yōu)化的情況下，最短用時(shí)僅僅6.18ms 相當(dāng)于38% 的CPU占用。在不適用ARM加速庫的情況下，也完全在16ms內(nèi)。因?yàn)樗械挠?jì)算量是固定的，測試下來同一項(xiàng)目內(nèi)時(shí)間沒有太多的波動。

20 Band Equalizer

20個(gè) band的情況下，在開啟優(yōu)化后也可以實(shí)現(xiàn)實(shí)時(shí)的語音降噪。

模型編譯log

單片機(jī)內(nèi)神經(jīng)網(wǎng)絡(luò)模型載入的log

單片機(jī)內(nèi)神經(jīng)網(wǎng)絡(luò)模型性能

點(diǎn)擊閱讀原文，即可下載硬聲APP。