PickNet：面向自组织麦克风阵列的实时通道选择

本文提出PickNet，一种用于由手机类多台录音设备组成的自组织麦克风阵列实时通道选择的神经网络模型。假设每个时刻至多有一人发声活跃，PickNet通过仅数百毫秒的短频谱块，为每帧识别空间上距活跃人最近的装置。该模型应用于每一时间帧，并将所选麦克风短时帧信号跨帧拼接以产生输出信号。由于个人设备通常靠近其持有者，输出信号预期平均比输入信号具有更高的信噪比与直达-混响比。由于PickNet在每帧仅利用有限的声学上下文，采用该模型的系统可实时工作且对声学条件变化具有鲁棒性。我们利用多种智能手机获取的真实对话录音进行了基于语音识别的评估。所提模型以有限计算代价，相较采用块在线波束形成器与单一远端麦克风的系统在词错率上取得了显著收益。