语音信号的深度分解

语音信号中混合了多种信息性因子，导致解码任一因子都极为困难。一种直观想法是将每帧语音分解为各个信息性因子，但这被证明极其困难。最近，我们发现曾被认为是长期分布属性的说话人特征实际上是短时模式，并可由精心设计的深度神经网络（DNN）学习。这一发现催生了本文将介绍的级联深度分解（CDF）框架。所提框架以顺序方式推断语音因子，先前推断出的因子在推断其他因子时用作条件变量。我们将展示该方法可有效分解语音信号，且利用这些因子能以高准确度恢复原始语音谱。这种分解与重构方法对许多语音处理任务具有潜在价值，例如说话人识别与情感识别，本文将予以演示。