完整教程：TSDT-Net：结合双路径Transformer与变换-平均-拼接网络的超低复杂度语音增强模型

TSDT-Net：结合双路径Transformer与变换-平均-拼接网络的超低复杂度语音增强模型

引言：为什么我们需要语音增强？

想象一下，你正在用手机打电话，但周围环境特别嘈杂，比如地铁站、咖啡馆或者马路边。这时候，你可能会发现对方听不清你在说什么，甚至语音助手也识别不出你的指令。此种“听不清”的困难，其实就是语音信号被噪声干扰了。

为了解决这个问题，语音增强通过算法“过滤”掉背景噪声，让语音更清晰、更容易理解。这项技能不仅在日常通话中非常重要，在语音识别、智能助手、会议系统等领域也起着关键作用。就是（Speech Enhancement）技巧应运而生。它的目标

，就是然而，语音增强模型往往要求强大的计算能力，这对一些嵌入式设备（比如耳机、智能手表、IoT设备）来说是个挑战。于如何在有限的计算资源下实现高性能的语音增强，成为了一个热门研究方向。

今天要介绍的这篇论文，就提出了一种超低复杂度的双阶段语音增强模型——TSDT-Net。它不仅性能优越，还能轻松部署在资源受限的设备上。

论文原文链接

---

一、TSDT-Net的整体架构

TSD