语音处理中的深度表示学习：挑战、近期进展与未来趋势
声音
2021-09-27 v2 机器学习
音频与语音处理
摘要
语音处理的研究传统上将设计手工声学特征（特征工程）的任务与设计高效机器学习（ML）模型以进行预测和分类决策的任务视为两个独立的问题。这种方法有两个主要缺点：首先，特征工程依赖人工，繁琐且需要人类知识；其次，所设计的特征未必最适合当前目标。这促使语音界近期倾向于采用表示学习技术，其可自动学习输入信号的中间表示，从而更好地适应手头任务并带来性能提升。随着深度学习（DL）的发展，表示学习的重要性日益增加，其所学表示更有用且更少依赖人类知识，非常有利于分类、预测等任务。本文的主要贡献是通过汇集自动语音识别（ASR）、说话人识别（SR）和说话人情绪识别（SER）这三个不同研究领域中分散的工作，对不同的语音表示学习技术进行最新且全面的综述。已有针对 ASR、SR 和 SER 的近期综述，但均未聚焦于从语音中进行表示学习——这正是本综述旨在弥补的空白。
引用
@article{arxiv.2001.00378,
title = {Deep Representation Learning in Speech Processing: Challenges, Recent Advances, and Future Trends},
author = {Siddique Latif and Rajib Rana and Sara Khalifa and Raja Jurdak and Junaid Qadir and Björn W. Schuller},
journal= {arXiv preprint arXiv:2001.00378},
year = {2021}
}
备注
Part of this work is accepted in IEEE Transactions on Affective Computing 2021. https://ieeexplore.ieee.org/document/9543566