Mel-McNet：用于在线多通道语音增强的Mel标度框架
音频与语音处理
2025-05-27 v1 声音
信号处理
摘要
在线多通道语音增强近期得到了广泛研究。尽管Mel标度频率比线性频率更符合人类听觉感知且计算高效，但很少有工作在Mel频率域中实现。为此，本工作提出了一个Mel标度框架（即 Mel-McNet）。它通过两个关键组件处理频谱和空间信息：一个有效的 STFT-to-Mel 模块，将多通道 STFT 特征压缩为Mel频率表示；以及一个修改后的 McNet 主干，直接在Mel域中运行以生成增强的 LogMel 频谱。该频谱可直接输入声码器进行波形重建，或输入 ASR 系统进行转录。在 CHiME-3 上的实验表明，Mel-McNet 在保持与原始 McNet 相当的增强和 ASR 性能的同时，可将计算复杂度降低 60%。Mel-McNet 也优于其他 SOTA 方法，验证了Mel标度语音增强的潜力。
引用
@article{arxiv.2505.19576,
title = {Mel-McNet: A Mel-Scale Framework for Online Multichannel Speech Enhancement},
author = {Yujie Yang and Bing Yang and Xiaofei Li},
journal= {arXiv preprint arXiv:2505.19576},
year = {2025}
}
备注
Accepted by Interspeech 2025