Mel-FullSubNet：用于提升语音质量和语音识别性能的 Mel 频谱增强
音频与语音处理
2024-02-23 v2
摘要
本文提出了 Mel-FullSubNet，一种单通道 Mel 频谱去噪和去混响网络，用于提升语音质量和自动语音识别（ASR）性能。Mel-FullSubNet 以噪声和混响的 Mel 频谱为输入，预测对应的干净 Mel 频谱。增强后的 Mel 频谱可通过神经声学解码器转换为语音波形，或直接用于 ASR。Mel-FullSubNet 包含交错的全带和子带网络，分别用于学习信号的全带谱模式和子带/窄带特性。与线性频率域或时域语音增强相比，Mel 频谱增强的主要优势在于 Mel 频率以更紧凑的方式呈现语音，从而更容易学习，这将受益于语音质量和 ASR。实验结果表明，所提出的模型在语音质量和 ASR 性能方面均实现了显著的改善。
引用
@article{arxiv.2402.13511,
title = {Mel-FullSubNet: Mel-Spectrogram Enhancement for Improving Both Speech Quality and ASR},
author = {Rui Zhou and Xian Li and Ying Fang and Xiaofei Li},
journal= {arXiv preprint arXiv:2402.13511},
year = {2024}
}