语音中辅音可懂度度量的自动估计

在本文中，我们提供了一种模型来估计单个语音片段可懂度的实值度量。我们基于卷积神经网络（CNN）训练了回归模型，用于与元音 \textipa{/A/} 相关的塞音 \textipa{/p,t,k,b,d,g/}，以估计辅音-元音（CV）声音对于正常听力（NH）耳朵变得可懂时对应的信噪比（SNR）。每种声音的可懂度度量称为 SNR$_{90}$，定义为根据先前对 NH 受试者的实验确定，人类参与者平均能够至少 90% 正确识别该辅音时的 SNR 水平。将 CNN 的性能与基于自动语音识别（ASR）的基线预测进行比较，具体而言，该基线预测为从 ASR 能够正确标注辅音时的 SNR 中减去一个恒定偏移量。与基线相比，我们的模型能够准确估计 SNR$_{90}$ 可懂度度量，平均均方误差（MSE）小于 2 [dB$^2$]，而基线 ASR 定义的度量计算 SNR$_{90}$ 的方差为 5.2 至 26.6 [dB$^2$]，具体取决于辅音。