CNN自注意力语音活动检测器
声音
2022-03-08 v1 音频与语音处理
摘要
在本工作中，我们提出一种新颖的单通道语音活动检测器（VAD）方法。我们利用卷积神经网络（CNN）挖掘含噪输入频谱的空间信息以提取逐帧嵌入序列，随后采用自注意力（SA）编码器从嵌入序列中发掘上下文信息。不同于以往在每帧（含上下文帧）上分别处理的工作，我们的方法能够一次性处理整段信号，从而具备长感受野。我们表明，CNN与SA架构的融合优于仅基于CNN或仅基于SA的方法。大量实验研究表明，我们的模型在真实场景基准上优于先前模型，并以相对较小且轻量的模型取得了当前最优（SOTA）结果。
引用
@article{arxiv.2203.02944,
title = {CNN self-attention voice activity detector},
author = {Amit Sofer and Shlomo E. Chazan},
journal= {arXiv preprint arXiv:2203.02944},
year = {2022}
}