利用时间卷积注意力网络改进音频异常识别

语音录音中的异常音频常由说话人声音失真、外部噪声甚至电干扰引起。这些障碍已成为高质量音乐混音与语音处理等领域的严重问题。本文提出一种使用时间卷积注意力网络（TCAN）的新方法来解决该问题。时间卷积网络（TCN）的使用可通过分层时间卷积滤波器捕获长程模式。为增强应对不同声学条件下音频异常的能力，在 TCN 中使用了注意力机制，在每个时间卷积层后添加自注意力块。旨在突出与目标相关的特征并减轻无关信息的干扰。为评估所提模型性能，从 TIMIT 数据集收集录音，并通过添加五类不同音频失真进行改变：高斯噪声、幅度漂移、随机丢弃、时间分辨率降低与时间扭曲。失真以不同信噪比（SNR）（5dB、10dB、15dB、20dB、25dB、30dB）混合。实验结果表明，所提模型相较一些强基线方法（如基于 LSTM 与 TCN 的模型）可取得更好的分类性能，相对提升约 3$\sim$10%。