基于非平稳 Gabor 变换的谐波对齐帧掩码及其在内容相关说话人比对中的应用
声音
2019-04-24 v1 音频与语音处理
谱理论
摘要
我们提出使用非平稳 Gabor 变换（NSGT）的语音信号谐波对齐帧掩码。帧掩码作用于信号的变换系数，从而将信号转换为对应的信号。它刻画了两个信号之间的差异。在先前的研究中，基于规则 Gabor 变换的帧掩码被应用于单音乐器声音分析。本研究将帧掩码方法扩展到语音信号。对于浊音语音，基频通常随时间连续变化。我们采用具有音高依赖因而时变频率分辨率的 NSGT，以在变换域中实现谐波对齐，从而产出语音信号的谐波对齐帧掩码。我们提出将谐波对齐帧掩码应用于内容相关说话人比对。由同一元音但来自不同说话人的浊音信号计算出的帧掩码被用作相似度度量，以比对和区分说话人身份（SID）。基于深度神经网络获得的结果表明，所提出的帧掩码在表征说话人特征方面是有效的，并显示出在有限数据场景下 SID 应用的潜力。
引用
@article{arxiv.1904.10380,
title = {Harmonic-aligned Frame Mask Based on Non-stationary Gabor Transform with Application to Content-dependent Speaker Comparison},
author = {Feng Huang and Peter Balazs},
journal= {arXiv preprint arXiv:1904.10380},
year = {2019}
}
备注
Interspeech2019