多目标非侵入性助听器语音评估模型

科学领域:

• 语音处理 语音处理
• 助听器技术 助听器技术
• 机器学习 机器学习

背景情况:

• 由于现实应用中没有参考信号,参考自由言论评估至关重要.
• 现有的深度学习模型显示出希望,但对听力受损 (HI) 主题的关注有限.
• 非侵入性语音评估对于许多语音处理应用程序至关重要.

研究的目的:

• 介绍HASA-Net+,一种改进的多目标,非侵入性的助听器语音评估模型.
• 为了提高正常听力和HI听众的语音质量和可理解性预测.
• 评估模型在各种声条件下的强度和概括能力.

主要方法:

• HASA-Net+建立在之前的HASA-Net模型之上,结合了预先训练的语音基础模型和微调.
• 该模型的预测能力被扩展到包括各种条件:杂的,无声的,反响的,脱响的和语音编码的语音.
• 使用域外数据集验证了一般化.

主要成果:

• HASA-Net+在预测语音质量和可理解性方面表现得更好.
• 该模型在各种音响环境中证明了其稳健性,包括噪音和反响.
• 使用域外数据集的验证证实了模型的概括能力.

结论:

• HASA-Net+提供了一种强大而包容的解决方案,用于非侵入性语音质量和可理解性评估,特别是用于助听器用户.
• 基础模型的整合和扩展的测试条件提高了它的适用性.
• 该模型推进了用于助听器和各种声学场景的语音处理.