音響環境と音響騒音環境におけるDNNベースの音声強化の体系的な研究

科学分野:

• 人工知能
• シグナル処理
• 音響学

背景:

• ディープニューラルネットワーク (DNN) は 言語の強化を大幅に進めてきました
• 現在のDNNベースの方法は,主にスピーチ脱響のために周波数領域を使用します.
• タイム・ドメインのアプローチは,伝統的に脱響の効果が低いと考えられています.

研究 の 目的:

• 言語の強化のためのタイムドメインのディープラーニングモデルの有効性を調査する.
• 音声消音機能に対する様々な要素の影響を体系的に分析する.
• 注意型リキュアントネットワーク (ARN) と密集型コンボリューションリキュアントネットワーク (DC-CRN) の性能を比較する.

主な方法:

• ARNとDC-CRNの2つの深層ニューラルネットワークを使用しています.
• ウィンドウサイズ,損失関数,機能表現の影響を調査した.
• 音響のみと音響騒音の条件で評価を行った.
• 波形特性のエンコーディング/デコーディングのための組み込み変換操作 (コンボーションまたは線形).

主要な成果:

• より大きな窓のサイズは,脱音に有益であることが判明しました.
• 変換操作は,学習された表現の希少性を改善し,時間領域モデルのパフォーマンスを向上させました.
• 提案された技術は,RNAとDC-CRNモデルのパフォーマンスを向上させました.
• 既存の強力な強化ベースラインと比較して優れたパフォーマンスを達成しました.

結論:

• タイムドメインのディープラーニングモデルは,特に最適化されたコンポーネントで,スピーチ強化に非常に有効です.
• 変換操作とより大きなウィンドウの統合は,音声解消の重要な進歩を表しています.
• これらの技術で強化されたARNとDC-CRNモデルは,困難な音響環境で従来の方法を上回ります.