FaSNet：面向多麦克风音频处理的低延迟自适应波束成形
音频与语音处理
2019-10-02 v2 机器学习
声音
信号处理
摘要
波束成形已被广泛研究用于多通道音频处理任务。近来，基于学习的波束成形方法（有时称为神经波束成形器）在信号质量（如信噪比（SNR））和语音识别（如词错误率（WER））方面均取得了显著改进。此类系统通常是非因果的，并且需要大上下文以鲁棒估计通道间特征，这在需要低延迟响应的应用中不切实际。本文中，我们提出滤波求和网络（FaSNet），一种适用于低延迟场景的时域、基于滤波器的波束成形方法。FaSNet采用两阶段系统设计：首先为选定参考通道学习帧级时域自适应波束成形滤波器，然后计算所有其余通道的滤波器。所有通道的滤波输出求和生成最终输出。实验表明，尽管模型规模小，FaSNet在混响语音增强与分离任务中相对于尺度不变信噪比（SI-SNR）能够超越若干传统oracle波束成形器。此外，当在CHiME-3数据集上采用频域目标函数训练时，FaSNet相比基线模型实现了14.3%的相对词错误率降低（RWERR）。这些结果显示了FaSNet尤其在混响和噪声信号条件下的有效性。
引用
@article{arxiv.1909.13387,
title = {FaSNet: Low-latency Adaptive Beamforming for Multi-microphone Audio Processing},
author = {Yi Luo and Enea Ceolini and Cong Han and Shih-Chii Liu and Nima Mesgarani},
journal= {arXiv preprint arXiv:1909.13387},
year = {2019}
}
备注
Accepted to ASRU 2019