用于语音增强与噪声鲁棒说话人验证的条件生成对抗网络
音频与语音处理
2019-11-05 v2 机器学习
声音
信号处理
机器学习
摘要
在噪声环境中改善语音系统性能仍是一项挑战，语音增强（SE）是解决该问题的有效技术之一。受生成对抗网络（GANs）在多种图像处理任务中前景广阔的结果启发，我们探索条件GANs（cGANs）用于SE的潜力，特别地，我们利用Isola等人[1]提出的图像处理框架来学习从噪声语音谱图到增强对应物的映射。SE cGAN由两个网络以对抗方式训练：生成器试图增强输入噪声谱图，判别器试图利用噪声谱图作为条件，区分生成器提供的增强谱图与数据库中的干净谱图。我们从语音质量感知评估（PESQ）、短时客观可懂度（STOI）和说话人验证的等错误率（EER）（一个应用示例）方面评估cGAN方法的性能。实验结果表明，cGAN方法总体优于经典的短时谱幅度最小均方误差（STSA-MMSE）SE算法，并与基于深度神经网络（DNN-SE）的SE方法相当。
引用
@article{arxiv.1709.01703,
title = {Conditional Generative Adversarial Networks for Speech Enhancement and Noise-Robust Speaker Verification},
author = {Daniel Michelsanti and Zheng-Hua Tan},
journal= {arXiv preprint arXiv:1709.01703},
year = {2019}
}
备注
INTERSPEECH 2017 August 20-24, 2017, Stockholm, Sweden