用于改进关键词检测的 Meta-AF 回声消除

自适应滤波器（AF）对于提升语音识别、声事件检测和关键词检测等下游任务的性能至关重要。然而，传统的 AF 设计优先考虑孤立的信号级目标，往往忽略了下游任务的性能。这可能导致次优的性能。最近的研究利用元学习从数据中自动学习 AF 更新规则，减轻了在使用简单信号级目标时进行手动调参的需要。本文通过扩展 Meta-AF 框架以支持任意下游任务的端到端训练来对其进行改进。我们聚焦于分类任务，并引入了一种利用自监督和分类器反馈的新颖训练方法。我们在声学回声消除与关键词检测的联合任务上评估了我们的方法。我们的研究结果表明，在合成回放和真实回放中，预训练和联合训练的关键词检测模型均取得了一致的性能提升。值得注意的是，这些提升无需额外调参、增加推理时复杂度或依赖理想的信号级训练数据即可实现。