基于变换-平均-拼接的多通道语音触发检测
音频与语音处理
2024-02-15 v2 声音
摘要
语音触发（VT）使用户仅通过说出触发短语即可激活其设备。通常采用前端系统执行语音增强和/或分离，并产出多路增强和/或分离信号。由于传统VT系统仅以单通道音频作为输入，因而需进行通道选择。该方法的一个缺陷是未选中的通道被丢弃，即便这些被丢弃通道可能包含对VT有用的信息。在本工作中，我们提出用于VT的多通道声学模型，将前端的多通道输出直接送入VT模型。我们采用变换-平均-拼接（TAC）模块，并通过融入传统通道选择所用的通道来修改TAC模块，使模型在存在多个说话人时能够关注目标说话人。所提方法相比基线通道选择方法，误拒率最高降低30%。
引用
@article{arxiv.2309.16036,
title = {Multichannel Voice Trigger Detection Based on Transform-average-concatenate},
author = {Takuya Higuchi and Avamarie Brueggeman and Masood Delfarah and Stephen Shum},
journal= {arXiv preprint arXiv:2309.16036},
year = {2024}
}
备注
Accepted at HSCMA 2024