用于课堂语音检测的多尺度时间卷积网络
声音
2021-06-01 v1 音频与语音处理
摘要
由专家教师与助教协作教学，即所谓“双师课堂”（课程由专家在线讲授并通过投影屏幕在教室呈现，教室中的教师作为助教引导学生学习），在当今K-12教育方法中日益普及。为监控教学质量，常将麦克风夹在助教衣领处录制语音，随后送入自动语音识别（ASR）与神经语言处理（NLP）等下游任务。然而，除其语音外，还存在包括专家与学生语音在内的其他干扰声。在此，我们提出从声音事件检测的角度提取助教语音，即将语音分为四类：专家、教师、两者混合以及背景。为实现帧级识别（这对下游任务抓取敏感词十分重要），构建了多尺度时间卷积神经网络，采用堆叠空洞卷积以兼顾局部与全局特性。这些特征被拼接并送入由三个线性层构成的分类网络。该框架在模拟数据与真实录音上进行了评估，相较于若干经典分类方法，在精确率与召回率方面取得了可观性能。
引用
@article{arxiv.2105.14717,
title = {Multi-Scale Temporal Convolution Network for Classroom Voice Detection},
author = {Lu Ma and Xintian Wang and Song Yang and Yaguang Gong and Zhongqin Wu},
journal= {arXiv preprint arXiv:2105.14717},
year = {2021}
}
备注
5 pages, 2 figures, 1 table