一种混合CNN-BiLSTM语音活动检测器
音频与语音处理
2021-03-08 v1
摘要
本文提出一种用于语音活动检测(VAD)的新混合架构，其以端到端方式训练，结合了卷积神经网络(CNN)与双向长短期记忆(BiLSTM)层。此外，我们专门优化架构的计算效率，以在资源极度受限的环境下于困难的真实噪声条件中提供鲁棒性能。采用嵌套k折交叉验证探索超参数空间，并讨论最优参数与模型规模之间的权衡。还考虑了BiLSTM层相比于单向LSTM层的性能影响。我们在AVA-Speech数据集上将我们的系统与三个既定基线进行比较。我们发现，具有近最优参数的显著更小模型与以最优参数训练的大模型性能相当。BiLSTM层相比单向层平均绝对准确率提升约2%。我们的系统曲线下面积(AUC)为0.951，优于所有基线，包括一个更大的ResNet系统，尤其在困难噪声条件下。
引用
@article{arxiv.2103.03529,
title = {A Hybrid CNN-BiLSTM Voice Activity Detector},
author = {Nicholas Wilkinson and Thomas Niesler},
journal= {arXiv preprint arXiv:2103.03529},
year = {2021}
}
备注
ICASSP 2021