只听我的！目标语音提取对误警的处理能力如何？
音频与语音处理
2022-07-15 v2 声音
摘要
目标语音提取(TSE)在给定刻画说话人的辅助线索（如注册语句）的情况下，从混合语音中提取目标说话人的语音。因此TSE解决了同时进行分类与说话人识别这一具有挑战性的问题。随着近期用于语音增强与分离的神经网络的进展，提取性能已取得诸多进步。多数研究聚焦于处理目标说话人正在主动说话的混合语音。然而在实践中目标说话人有时保持沉默，即非活跃说话人(IS)。典型的TSE系统在IS情况下倾向于输出信号，导致误警。这是TSE系统实际部署中的一个严重问题。本文旨在更好地理解TSE系统处理IS情况的能力。我们考虑两种应对IS的方法：(1)训练系统直接输出零信号，或(2)用额外的说话人验证模块检测IS。我们使用LibriMix数据集对这些方案在提取性能与IS检测方面进行了广泛的实验比较，并揭示了它们的优缺点。
引用
@article{arxiv.2204.04811,
title = {Listen only to me! How well can target speech extraction handle false alarms?},
author = {Marc Delcroix and Keisuke Kinoshita and Tsubasa Ochiai and Katerina Zmolikova and Hiroshi Sato and Tomohiro Nakatani},
journal= {arXiv preprint arXiv:2204.04811},
year = {2022}
}
备注
Accepted to Interspeech 2022