使用单样本学习的自适应抗噪关键词检测

关键词检测 (KWS) 是智能设备的关键组件，可实现高效且直观的音频交互。然而，部署在嵌入式设备上的标准 KWS 系统在真实运行条件下经常出现性能下降。抗噪 KWS 系统通过实现动态适应来解决这一问题，其应用包括添加或替换关键词、适应特定用户以及提高抗噪鲁棒性。然而，由于内存和计算资源有限，在资源受限的设备上部署具有低延迟的鲁棒独立 KWS 系统仍然具有挑战性。本研究提出了一种用于 KWS 分类的预训练神经网络连续噪声自适应的低计算方法，该方法仅需单样本学习和一个 epoch。所提出的方法使用两个预训练模型和三个真实噪声源，在信噪比 (SNR) 从 24 到 -3 dB 的范围内进行了评估。适应后的模型在所有场景中均优于预训练模型，特别是在 SNR $\leq$ 18 dB 时，实现了 4.9% 到 46.0% 的准确率提升。这些结果突出了所提方法的有效性，同时其足够轻量化，适合部署在资源受限的设备上。