一种用于语音增强的非因果 FFTNet 架构
音频与语音处理
2020-06-09 v1 计算与语言
声音
摘要
本文提出一种基于 FFTNet（一种用于生成高质量音频波形的神经网络）的并行、非因果且浅层的波形域语音增强架构。与 WaveNet 等其他基于波形的方法不同，FFTNet 采用初始宽膨胀模式。此类架构能更好地表示时域中语音的长程相关结构，而噪声通常高度不相关，因此适用于基于波形域的语音增强。为进一步加强 FFTNet 的这一特性，我们提出非因果 FFTNet 架构，其中每层的当前样本由上一层过去与未来的样本估计。通过采用浅层网络并在一定限度内施加非因果性，所提出的用于语音增强的 FFTNet (SE-FFTNet) 相较 WaveNet 和 SEGAN 等其他基于神经网络的语音增强方法使用了远更少参数。具体而言，该网络模型参数显著减少：较 WaveNet 少 32%，较 SEGAN 少 87%。最后，基于主观与客观指标，SE-FFTNet 在增强信号质量上优于 WaveNet，同时提供与 SEGAN 同等的良好性能。该架构的 Tensorflow 实现见 1。
引用
@article{arxiv.2006.04469,
title = {A non-causal FFTNet architecture for speech enhancement},
author = {Muhammed PV Shifas and Nagaraj Adiga and Vassilis Tsiaras and Yannis Stylianou},
journal= {arXiv preprint arXiv:2006.04469},
year = {2020}
}
备注
5 pages