随着智能家居的迅速发展,基于IP网络的远程人机语音交互技术成为了行业热点,这对通信语音质量提出了更高的要求。IP网络的语音通信（voice over Internet protocol,Vo IP）经常存在丢包和带宽限制等影响语音质量的问题,这严重影响了智能语音交互系统的性能。因此,研究Vo IP通信中的语音补偿算法并改善语音质量具有实际应用价值。Opus是一种实时音频编解码器,因其功能多样性而被广泛应用于Vo IP通信。Opus在解码端提供了基于自回归模型的语音重构来缓解IP传输网络中的丢包问题,这虽能在一定程度上提升语音质量,但在连续丢帧情况下性能不佳,同时其语音补偿方案未包括窄带语音的带宽扩展。基于此,本文在Opus语音补偿方案基础上提出两种基于深度学习的语音补偿算法,即丢包补偿和带宽扩展。其中,丢包补偿算法采用深度学习模型对丢失帧的线谱频率（LSF）进行预测,所获得的预测值结合其他语音参数来实现丢失帧的补偿;带宽扩展算法则采用生成式对抗网络（Generative Adversarial Networks,GAN）对窄带语音的高频部分进行估计。为了评估算法在实际应用中的补偿性能,本文设计了一种包含上述丢包补偿和带宽扩展功能的Opus编解码方案（Opus＿NN）并将其用于实验验证。采用4种常用的语音质量客观评价指标分别从丢包补偿和带宽扩展两方面设置对比性实验进行分析。对于丢包补偿,采用5种不同丢包率的语音在4种信噪比条件下评估Opus和Opus＿NN的丢包补偿子系统的性能;对于带宽扩展,在干净环境下采用5种不同带宽的语音分别测试深度神经网络（Deep Neural Networks,DNN）和GAN的带宽扩展性能。为了评估所提系统对语音识别性能的影响,采用干净环境下5种不同丢包率的语音和10%丢包率的不同带宽的语音分别测试Opus和Opus＿NN的补偿性能。实验结果表明,本文所提的语音补偿算法在几乎不影响Opus解码效率的情况下,能有效缓解Opus连续丢帧导致的语音质量下降问题,且能利用更有效的预测模型实现语音的带宽扩展。