基于循环选择性注意力网络的连续语音分离
音频与语音处理
2021-10-29 v1 声音
摘要
尽管基于排列不变训练（PIT）的连续语音分离（CSS）显著提高了对话转写准确率，但由于其具有固定数量的输出通道，它常常遭受语音泄漏以及在“热点”区域分离失败的问题。在本文中，我们提出将循环选择性注意力网络（RSAN）应用于 CSS，其基于活跃说话人计数生成可变数量的输出通道。此外，我们提出了一种 RSAN 的新型块间依赖扩展，通过在 CSS 框架中引入相邻处理块之间的依赖关系。它使网络能够利用来自先前块的分离结果来促进当前块的处理。在 LibriCSS 数据集上的实验结果表明，基于 RSAN 的 CSS（RSAN-CSS）网络相比基于 PIT 的模型持续提高了语音识别准确率。所提出的块间依赖建模进一步提升了 RSAN-CSS 的性能。
引用
@article{arxiv.2110.14838,
title = {Continuous Speech Separation with Recurrent Selective Attention Network},
author = {Yixuan Zhang and Zhuo Chen and Jian Wu and Takuya Yoshioka and Peidong Wang and Zhong Meng and Jinyu Li},
journal= {arXiv preprint arXiv:2110.14838},
year = {2021}
}
备注
Submitted to ICASSP 2022