基于长短时空间相干性的阵列配置无关个性化语音增强
音频与语音处理
2022-11-17 v1 声音
摘要
个性化语音增强（PSE）一直是用于抑制类语音干扰（如竞争说话人或电视对白）的活跃研究领域。相较于单通道方法，多通道 PSE 系统通过利用麦克风信号中的空间信息，在不利声学条件下更为有效。然而，在家庭应用中实现能适应广泛阵列拓扑的多通道 PSE 颇具挑战。为开发阵列配置无关的 PSE 系统，我们定义了一种称为长短时空间相干性（LSTSC）的空间特征，作为卷积循环网络监测目标说话人语音活动的输入特征。作为另一改进，可采用等效矩形带宽缩放的 LSTSC 特征以降低计算成本。实验比较了所提出的 PSE 系统（包括完整版与简化版）与两个基线系统，在存在电视噪声与竞争说话人、使用未见的房间响应与阵列配置下进行测试。结果表明，所提出的以 LSTSC 特征训练的多通道 PSE 网络在无需精确知晓阵列配置与房间响应的情况下取得了更优的增强性能。
引用
@article{arxiv.2211.08748,
title = {Array Configuration-Agnostic Personalized Speech Enhancement using Long-Short-Term Spatial Coherence},
author = {Yicheng Hsu and Yonghan Lee and Mingsian R. Bai},
journal= {arXiv preprint arXiv:2211.08748},
year = {2022}
}