基于跨通道注意力的目标说话人语音活动检测：M2MeT挑战赛实验结果
音频与语音处理
2022-02-08 v1 声音
摘要
本文介绍了DKU_DukeECE团队针对多通道多方会议转录挑战赛（M2MeT）所提出的说话人日志系统。由于数据集中存在高度重叠语音，我们采用基于x-vector的目标说话人语音活动检测（TS-VAD）来发现说话人之间的重叠。对于单通道场景，我们分别为8个通道各训练一个模型并融合结果。我们还采用跨通道自注意力来进一步提升性能，其中学习并融合了不同通道间的非线性空间相关性。在评估集上的实验结果表明，单通道TS-VAD将DER从12.68%降至3.14%，降低了超过75%。多通道TS-VAD进一步将DER降低28%，达到2.26%。我们最终提交的系统在AliMeeting测试集上取得了2.98%的DER，在M2MET挑战赛中排名第1。
引用
@article{arxiv.2202.02687,
title = {Cross-Channel Attention-Based Target Speaker Voice Activity Detection: Experimental Results for M2MeT Challenge},
author = {Weiqing Wang and Xiaoyi Qin and Ming Li},
journal= {arXiv preprint arXiv:2202.02687},
year = {2022}
}