使用可微听模型实现可控的联合降噪与听力损失补偿
音频与语音处理
2025-11-04 v3 声音
摘要
深度学习驱动的听力损失补偿(HLC)寻求通过神经网络提高对听力受损听众的语音 intelligibility 和质量。HLC的一个主要挑战是缺乏基准目标。最近的研究使用神经网络模拟闭环框架中不可微的听觉外周模型，但这种方法缺乏灵活性。或者，可微听模型允许直接优化，但以前的研究要么聚焦于单个听者轮廓，要么在不平衡每个任务的情况下进行联合降噪(NR)和HLC。本工作将NR和HLC建模为多任务学习问题，在使用可微听模型训练系统的同时，同时预测来自带噪语音和听力听力图的降噪后信号和补偿后信号。结果表明，该系统在客观指标性能上与分别训练每个任务的系统相当，同时能够在推断期调整NR与HLC之间的平衡。
引用
@article{arxiv.2507.09372,
title = {Controllable joint noise reduction and hearing loss compensation using a differentiable auditory model},
author = {Philippe Gonzalez and Torsten Dau and Tobias May},
journal= {arXiv preprint arXiv:2507.09372},
year = {2025}
}
备注
Accepted to Clarity 2025 Workshop