相位在音频分类中有效性的研究

尽管对数幅度梅尔谱图已广泛用作基于深度学习处理语音的特征表示,但另一方面的语音频谱信息即相位信息,近来被证明对语音增强与源分离等任务有效。在本研究中,我们广泛考察了在八个音频分类任务中包含信号相位信息的有效性。我们构建了一个可学习的前端,能够基于具有类梅尔频率轴的时间-频率表示计算相位及其导数。实验结果显示,在音乐音高检测、乐器检测、语言辨识、说话人辨识与鸟鸣检测上取得了显著的性能提升。另一方面,当使用瞬时频率时,在某些任务上观察到对录音条件的过拟合。结果表明,在音频分类中相邻元素的相位值之间的关系比相位本身更为重要。