面向唤醒词检测的前端增益不变建模
音频与语音处理
2020-10-15 v1 机器学习
声音
摘要
由于声学条件的复杂性与多变性以及信号传输中的环境干扰，唤醒词（WW）检测在远场下颇具挑战。一套精心设计与优化的音频前端（AFE）算法有助于缓解这些挑战，并为下游模块（如 WW 检测器）提供更高质量的音频信号。由于 WW 模型使用 AFE 处理后的音频数据训练，其性能对 AFE 变化（如增益改变）敏感。此外，当部署到新设备时，因 WW 模型未知 AFE，WW 性能无法保证。为解决这些问题，我们提出一种新方法，使用称为 LFBE 的新特征将 AFE 增益变化与 WW 模型解耦。我们修改了神经网络架构以适应 delta 计算，而特征提取模块保持不变。我们使用真实家庭环境采集的数据评估 WW 模型，表明采用 LFBE 的模型对 AFE 增益变化具有鲁棒性。具体而言，当 AFE 增益变化达 12dB 时，基线 CNN 模型的误报率相对损失达 19.0% 或误拒率相对损失达 34.3%，而带 LFBE 的模型未表现出性能损失。
引用
@article{arxiv.2010.06676,
title = {On Front-end Gain Invariant Modeling for Wake Word Spotting},
author = {Yixin Gao and Noah D. Stein and Chieh-Chi Kao and Yunliang Cai and Ming Sun and Tao Zhang and Shiv Vitaladevuni},
journal= {arXiv preprint arXiv:2010.06676},
year = {2020}
}
备注
In Proc. Interspeech 2020