对听力受损听众的扬声器条件目标扬声器提取算法的评估

科学领域:

• 听力学 听力学是指听力学.
• 语音处理 语音处理
• 机器学习 机器学习

背景情况:

• 扬声器调节目标扬声器提取旨在利用目标扬声器信息从音频混合中分离特定的扬声器.
• 之前的研究使用了对正常听力和听力受损的听众的仪器或主观测量,显示了潜在的可理解性改善和听力减轻的努力.
• 完全因果深度神经网络 (DNN) 算法在提高语音可理解性和减少倾听力度方面表现出有希望.

研究的目的:

• 进行对两个完全因果DNN的基于扬声器条件的目标扬声器提取算法的深入主观评估.
• 在无助和辅助 (线性听力损失补偿) 条件下与听力受损的听众评估算法性能.
• 为了比较听力受损和正常听力听众之间的算法好处,特别是关于干扰说话者的性别.

主要方法:

• 使用15名听力受损的听众进行主观评估.
• 三种不同的测量方法:配对比较,语音识别值,以及对听力感知力度的分类缩放.
• 两个完全因果DNN算法与未处理的刺激和彼此的比较,有和没有线性听力损失补偿.

主要成果:

• 一个算法显示,与未处理的音频和替代算法相比,听力努力显著减少,可理解性得到改善.
• 听力受损的听众在听力努力和语音识别值方面比正常听力听众有更大的好处,特别是女性干扰演讲者.
• 该算法的好处可以在不需要听力损失补偿 (线性放大) 的情况下实现.

结论:

• 基于完全因果DNN的扬声器条件的目标扬声器提取可以显著提高听力障碍患者的语音感知.
• 算法的选择会影响益处的程度,在主观听力测试中,一个算法在主观听力测试中表现优于其他算法.
• 这些发现强调了这项技术在改善听力受损听众的沟通可访问性方面的潜力,无论听力损失补偿策略如何.