动态声学条件下的盲混响时间估计

从真实世界信号估计混响时间在广泛应用中有核心作用。在许多场景中，声学条件随时间变化，这反过来要求估计值被持续更新。先前提出的涉及深度神经网络的方法大多在静态声学条件假设下设计和测试。本工作中，我们展示这些方法在动态演化的声学环境中表现不佳。受机器学习中近期以数据为中心趋势的启发，我们提出一种生成训练数据的新方法，并使用已有的深度神经网络架构证明其在跟踪混响时间时间变化能力上的显著提升。