挑战与洞见：在 MISP 数据集上探索三维空间特征与复杂网络
音频与语音处理
2023-10-09 v1 声音
摘要
多通道多说话人语音识别在语音处理领域提出了严峻挑战，其典型问题包括背景噪声、混响与语音重叠。克服这些复杂性需要利用上下文线索从嘈杂混合中分离目标语音，以实现准确识别。在这些线索中，三维空间特征已成为一种前沿解决方案，尤其在具备目标说话人空间信息时。其在混合音频中辨别目标说话人的卓越能力，常使中间处理变得冗余，为直接训练“一体化”ASR模型铺平了道路。这些模型在仿真与真实数据上均展现出可观性能。本文将此方法扩展至 MISP 数据集以进一步验证其有效性。我们深入探讨了在 MISP 上应用三维空间特征时所遇挑战与所获洞见，同时也探索了以更复杂输入与模型替代这些特征的初步实验。
引用
@article{arxiv.2310.03901,
title = {Challenges and Insights: Exploring 3D Spatial Features and Complex Networks on the MISP Dataset},
author = {Yiwen Shao},
journal= {arXiv preprint arXiv:2310.03901},
year = {2023}
}