Dr.VOT：在自然语音中测量正、负嗓音起始时间
音频与语音处理
2019-10-30 v1 机器学习
声音
机器学习
摘要
嗓音起始时间（VOT）是基础研究与应用医学研究中语音的一项关键测量指标，它是塞音爆破起始与嗓音起始之间的时间间隔。当嗓音起始先于爆破起始时，VOT 为负；若嗓音起始晚于爆破，则为正。在本工作中，我们提出一种深度学习模型，用于在自然语音中准确可靠地测量 VOT。所提出的系统解决了两个关键问题：它能同样好地测量正 VOT 和负 VOT，并且经过训练对标注间的差异具有鲁棒性。我们的方法基于结构化预测框架，其中特征函数定义为 RNN。这些网络学习捕捉信号中的片段变化。结果表明，我们的方法相较当前最先进水平有实质性改进。与以往工作不同，我们的深度且鲁棒的 VOT 标注器 Dr.VOT 能在保持正 VOT 上最先进性能的同时，成功估计负 VOT。这种高性能可泛化到新的语料库而无需进一步重训练。索引词：结构化预测，多任务学习，对抗训练，循环神经网络，序列分割。
引用
@article{arxiv.1910.13255,
title = {Dr.VOT : Measuring Positive and Negative Voice Onset Time in the Wild},
author = {Yosi Shrem and Matthew Goldrick and Joseph Keshet},
journal= {arXiv preprint arXiv:1910.13255},
year = {2019}
}
备注
interspeech 2019