用于多通道远场语音识别的四元数神经网络
音频与语音处理
2020-05-20 v2 机器学习
声音
机器学习
摘要
尽管自动语音识别（ASR）取得了显著进展，远场 ASR 仍因噪声与混响而具挑战性。缓解此问题的常见方法是为录音设备配备多个麦克风，从不同视角捕获声学场景。这些多通道音频记录包含各信号间特定的内部关系。本文中，我们提出用四元数神经网络捕获这些帧间与帧内结构依赖，其可将多个信号作为整体四元数实体联合处理。四元数代数以 Hamilton 积替代标准点积，从而提供一种简单优雅的方式来建模元素间依赖。四元数层随后与循环神经网络耦合，可学习时域中的长期依赖。我们表明，在拼接的多通道语音信号上训练的四元数长短期记忆神经网络（QLSTM）在两项不同的多通道远场语音识别任务上优于等价的实值 LSTM。
引用
@article{arxiv.2005.08566,
title = {Quaternion Neural Networks for Multi-channel Distant Speech Recognition},
author = {Xinchi Qiu and Titouan Parcollet and Mirco Ravanelli and Nicholas Lane and Mohamed Morchid},
journal= {arXiv preprint arXiv:2005.08566},
year = {2020}
}
备注
4 pages