本文是基于NNoM神经网络框架实现的。NNoM是一个为单片机定制的神经网络框架，可以实现TensorFlow 模型的量化和部署到单片机上，可以在Cortex M4/7/33等ARM内核的单片机上实现加速（STM32，LPC，Nordic nRF 等等）。

NNoM和本文代码可以在后台回复：“麦克风降噪”领取。

STM32实现单麦克风实时神经网络（RNN）降噪演示

硬声创作者：麻博士在科研

这个例子是根据著名的 RNNoise (https://jmvalin.ca/demo/rnnoise/) 的降噪方法进行设计的。整体进行了一些简化和定点化的一些修改。

本例与RNNoise主要的区别如下:

此例子并非从RNNoise的模型直接转换而来，而是从新基于Keras训练一个新模型，并转化成NNoM模型。

音频信号处理去掉了Pitch Filtering的部分。

RNN 网络定点化时，根据定点模型的一些特点进行了部分神经网络结构修改。

训练数据集选择上使用了微软的可定制语音数据库而不是RNNoise收集的数据库。

此例子用到的三方库如下，大部分为宽松许可，但请大家在使用时遵循他们的开源协议。

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本身许可为 Apache-2.0，详细信息请看NNoM 开源主仓库下的许可信息 (https://github.com/majianjia/nnom).

一些背景知识

如何用神经网络进行语音降噪？

神经网络降噪通常有两种方式：

语音信号直入神经网络模型，神经网络全权进行识别处理并输出降噪后的语音信号。

神经网络识别语音和噪音的特征，动态输出增益，使用传统信号处理方法进行滤波。

RNNoise 使用的是第二种方法。

实际进行语音降噪（滤波）的部分，是一个均衡器，也就是大家播放器内调节低音高音的那个玩意儿。而均衡器(Equalizer)的本质是很多个平行的带通滤波器(Bandpass Filter). 我们神经网络的输出，就是均衡器内各个filter band的增益。

那输入是什么？跟之前的 KeyWord Spotting例子(https://github.com/majianjia/nnom/tree/master/examples/keyword_spotting) 一样，我们这里使用了梅尔倒频谱 (MFCC)。如果不熟悉的小伙伴，可以回去看看KWS的解释或自行百度。

跟RNNoise有一些不一样的是我们的例子使用MFCC和梅尔刻度 (Mel-scale) 而不是他们用的OPUS-Scale 或者响度刻度 (Bark-Scale)。单纯从刻度的对比上，他们其实差别不是很大。感兴趣的同学可以自己去查查他们的区别。

系统图如下

运行步骤

如果想看详细的解析，请跳到文章后半部分。这里介绍在RTT和STM32L476板子上把这套算法跑起来的步骤。

1.下载语音数据集

这里我们使用的数据集是微软的可定制语音数据集Microsoft Scalable Noisy Speech Dataset (MS-SNSD: https://github.com/microsoft/MS-SNSD)。我们可以定制时长，噪音类型，噪音混合信噪比等。你需要把整个仓库下载在 MS-SNSD/文件夹内。整个数据库有2.x GB大佬们请自行进行github加速。

下载完后，你就可以用它生成我们需要的干净的语音和带噪音的语音。同时我们还控制了语音混合的程度，也就是信噪比(SNR).

在MS-SNSD/目录下修改 noisyspeech_synthesizer.cfg 就可以配置需要生成的语音文件，推荐配置如下:

• 
  

• 
  

• 
  

• 
  

• 
  

• 
  

• 
  

• 
  

sampling_rate:16000

audioformat:*.wav

audio_length:60

silence_length:0.0

total_hours:15

snr_lower:0

snr_upper:20

total_snrlevels: 3

如果打算快速测试一下，可以把 total_hour 减少为1或者2小时。

修改完后，运行 noisyspeech_synthesizer.py 就可以生成我们需要的音频WAV文件了。我们需要一对一的干净的语音和带噪音的语音，它们分别在MS-SNSD/CleanSpeech_training 和 MS-SNSD/NoisySpeech_training 内。

2. 生成训练数据集

之前一步获取到的是.wav文件，而我们训练神经网络使用的是 MFCC 和 gains。

现在我们可以运行例子提供的gen_dataset.py来计算MFCC和gains。它最终会生成一个dataset.npz文件。

在这个文件里面，你可以配置这些内容

需要MFCC的特征数(同时也会修改均衡器Equalizer的Banpass Filter的数量)。修改 num_filter = 20即可。通常数字在10到26。

这个脚本也会生成一个c工程使用的滤波器参数文件equalizer_coeff.h (generate_filter_header(...))。在C语音的均衡器中会使用这个头文件。

另外，这个脚本还会生成两个Demo音频。一个叫_noisy_sample.wav 另一个叫 _filtered_sample.wav。前者为从训练集里面选出的一个带噪音的范例，后者为用gains和均衡器滤波后文件。基本上，这个文件代表了这个降噪方法的最好的水平。后文会有详细的说明怎么生成这个gains。

3. 训练模型

当dataset.npz生成后，我们就可以跑 main.py来训练Keras模型了。训练好的模型会保存在目录下model.h5

因为我们的模型最终要放在单片机上跑，RNN 每次处理一个 timestamp，所以我们的模型设置为stateful=True 和 timestamps=1。这样的设置对于训练并不是很理想，因为反向传播（BP）没有办法很好的在很小的batch上工作。我们的Batch尽量设置得很大。这里设置batchsize >= 1024。

同时，这一步会把我们之前的噪音范例_noisy_sample.wav ，使用RNN生成的gains来滤波filtered_sig = voice_denoise(...)（可以对比我们真实gains降噪的结果）。滤波后的文件保存为_nn_filtered_sample.wav。

在最后，调用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录下运行 scons 来编译。默认使用目录下的main.c 编译成PC可执行程序。支持32/64bit windows。理论上也支持linux。

这个二进制文件可以直接对 .wav 文件降噪并生成一个新的 .wav文件，使用方法如下:

注意：仅仅支持16kHz 1CH的格式。(程序不解析WAV只复制文件头)。

Win powershell: .rnn-denoise [input_file] [output_file] 或者拖拽.wav 文件到编译完成的*.exe上

Linux: 大家自己试试

比如，运行这个指令生成定点RNN滤波后的音频：.rnn-denoise _noisy_sample.wav _nn_fixedpoit_filtered_sample.wav

到此，目录下一共有四个音频，大家可以试听一下。

• 
  

• 
  

• 
  

• 
  

_noisy_sample.wav-->原始带噪音文件

_filtered_sample.wav-->用真实gains降噪的文件(训练的gains)

_nn_filtered_sample.wav-->Keras浮点模型gains降噪

_nn_fixedpoit_filtered_sample.wav   --> NNoM定点模型gains降噪

关于演示可以看文章顶部的视频。

不过，大家可以先看个图视觉上感受一下。Filtered by NNoM是我们单片机上的效果，对比Keras是模型原始输出的效果。而Truth Gain是模型训练输入的参考，也就是最原始最好的效果。可以看到这个算法滤掉的不少的东西，具体是不是噪声。。。再说。

以下是一大波细节讲解

总的来说，我推荐大家看 gen_dataset.py 和 main.py里面的步骤，很多详细的步骤都在注释里面有相关的解释。

关于训练数据

x_train 里面包含了13或者20个（默认）MFCC，除此之外，还有前10个MFCC特征的第一和第二导数(derivative)。这些为常用的语音识别特征。所以一共有 33 到 40 个特征。

训练数据的生成步骤

y_train 里面有两组数据，一组是gains，另一个叫 VAD

Gains 与RNNoise方法相同，为 clean speech/noisy speech 在每一个band上的能量的开平方。是一组0-1的值，组大小为均衡器的带通滤波器个数。

VAD 全称叫 Voice Active Detection。为一个0-1的值，指示是否有语音。计算方法为检测一个窗口内总能量的大小是否超过一个阈值。

语音能量和激活阈值

关于 Gains 和 VAD

在默认的模型里面，有两个输出，其中一个便是VAD。在main_arm.c (单片机版本的Demo)里面，这个VAD值控制了板子上的一个LED。如果VAD > 0.5 LED 会被点亮。

下图为使用Keras的模型识别 VAD时刻 和 gains 的计算结果。

在语音中各个频段的增益

关于均衡器

这里使用了20（默认）或者13个带通滤波器(Filter Band)来抑制噪音所在的频率。实际上你可以设置成任何值。不过我推荐 大于10且小于30。每一个独立的带通滤波器的-3dB点都与它附近的带通滤波器的-3dB点相交。响频曲线如下:

滤波器响应频率范围

音频信号会平行地通过这些带通滤波器，在最后把他们相加在一起。因为滤波器是交叉的，最终混合的信号幅度过大导致数值溢出，所以最终混合的信号会乘上一个0.6（并非数学上验证的数值）再保存在int16 数组内。

关于RNN模型的结构

这里提供了两个不同的RNN模型。一个是与RNNoise 类似的模型，各个RNN层之间包含很多的支线。这些支线会通过 concatenate 合并在一起。这个模型还会提供一个VAD输出。整个模型一共约 120k的权重。比RNNoise稍高因为做了一些针对定点模型的改变。其实这个模型有点过于复杂了，我尝试过减少模型参数，仍然可以很好的进行降噪。大佬们可以大胆地调整参数。如图下图所示。

另一个模型是一个简单的多层GRU模型，这个模型不提供VAD输出。非常震惊的是这个模型也能提供不错的效果。

如果想尝试这个简单的模型，在main.py里面修改 history = train(...) 成 train_simple(...)。

Keras的RNN需要把 stateful=True 打开，这样NNoM在每计算一个timestamps的时候才不会重置state。

MCU 例子

这里提供了一个 MCU 的文件main_arm.c。这个文件针对 STM32L476-Discovery 的麦克风做了移植，可以直接使用板载麦克风进行语音降噪。

例子通过一个绿色 LED（PE8）输出VAD检测的结果，有人说话时就会亮。

除了单片机相关的代码，功能上MCU代码main_arm.c与PC代码main.c完全一致， 本例虽然做了音频降噪，但是并没有针对音频输出写驱动，所以降噪输出是被直接抛弃了。大家可以自己写保存或者回放的代码。

如果你使用的是 ARM-Cortex M系列的MCU，做以下设置可以提升性能 （参考下面性能测试章节）。

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

在 mfcc.h里面，打开 PLATFORM_ARM 宏定义来使用ARM_FFT。

MCU 上的性能测试

传统的 RNNoise 不止包含了浮点模型，还包括了其他计算（比如Pitch Filtering），导致总计算量在40MFLOPS左右。即是换成定点计算，一般的单片机也会很吃力。

本例中，浮点FFT，定点RNN模型，浮点均衡器（滤波器），并去掉了Pitch Filtering（额其实是因为我不知道怎么用）。我对这里使用的几个运算量大的模块进行了测试，分别是MFCC部分(包含FFT)，神经网络部分，还有均衡器。

测试环境为

Board: STM32L476-Discovery

MCU: STM32L476, 超频到 140MHz Cortex-M4F

音频输入: 板载PDM麦克风

音频输出: 无

IDE: Keil MDK

测试条件:

神经网络后端: CMSIS-NN 或 Local C （本地后端）

FFT 库(512点): arm_rfft_fast_f32 或 纯FFT arduino_fft

优化等级: -O0/-O1 或 -O2

均衡器滤波器数目: 13 band 或者 20 band

需要注意的是，这里使用的音频格式为 16kHz 1CH，所以我们每次更新（FFT窗口:512，overlapping=50%）只有 256/16000 = 16ms 的时间来完成所有的计算。

13 Band Equalizer

可以看到，在完全优化的情况下，最短用时仅仅6.18ms 相当于38% 的CPU占用。在不适用ARM加速库的情况下，也完全在16ms内。因为所有的计算量是固定的，测试下来同一项目内时间没有太多的波动。

20 Band Equalizer

20个 band的情况下，在开启优化后也可以实现实时的语音降噪。

模型编译log

单片机内神经网络模型载入的log

单片机内神经网络模型性能