用于语音活动检测的时频双域注意力机制
音频与语音处理
2020-08-26 v3
摘要
语音活动检测（VAD）在低信噪比（SNR）环境尤其是非平稳噪声中是一项具有挑战性的任务。为解决此问题，我们提出了一种可集成于长短期记忆（LSTM）网络中的新型注意力模块。我们所提出的注意力模块精炼各LSTM层的隐藏状态，从而能够自适应地聚焦于时域与频域。实验使用Aurora 4数据库在各种噪声条件下进行。我们提出的方法获得了95.58%的ROC曲线下面积（AUC），相较基线实现了22.05%的相对提升，而参数数量仅增加2.44%。此外，我们利用 focal loss 来缓解训练集中语音与非语音段不平衡导致的性能下降。结果表明，与VAD中常用的损失函数交叉熵损失相比，focal loss 能在各种不平衡情形下提升性能。
引用
@article{arxiv.2003.12266,
title = {Dual Attention in Time and Frequency Domain for Voice Activity Detection},
author = {Joohyung Lee and Youngmoon Jung and Hoirin Kim},
journal= {arXiv preprint arXiv:2003.12266},
year = {2020}
}
备注
Accepted to Interspeech 2020