基于滤波噪声整形的混响语音时域房间脉冲响应估计
音频与语音处理
2021-07-16 v1 声音
摘要
深度学习方法已崭露头角，旨在转换音频信号使其听起来如同在与参考录音相同的房间中录制，应用于音频后期制作与增强现实。本文中，我们提出 FiNS，一种滤波噪声整形网络，可直接从混响语音估计时域房间脉冲响应（RIR）。我们受领域启发的架构包含时域编码器与滤波噪声整形解码器，后者将 RIR 建模为衰减滤波噪声信号之和，并包含直达声与早期反射分量。先前的声学匹配方法要么使用大型模型转换音频以匹配目标房间，要么预测算法混响器的参数。相反，对 RIR 的盲估计可通过单次卷积实现高效且真实的转换。一项评估表明，我们的模型不仅合成出匹配目标房间参数（如 与 DRR）的 RIR，而且相较于深度学习基线，在试听测试中更能准确复现目标房间的感知特性。
引用
@article{arxiv.2107.07503,
title = {Filtered Noise Shaping for Time Domain Room Impulse Response Estimation From Reverberant Speech},
author = {Christian J. Steinmetz and Vamsi Krishna Ithapu and Paul Calamia},
journal= {arXiv preprint arXiv:2107.07503},
year = {2021}
}
备注
Accepted to WASPAA 2021. See details at https://facebookresearch.github.io/FiNS/