基于微型循环 U-Net 的实时去噪与去混响
声音
2021-06-24 v3 人工智能
音频与语音处理
摘要
现代基于深度学习的模型在语音增强任务上取得了卓越的性能提升。然而，最先进模型的参数量通常过大，难以部署于实际应用的设备上。为此，我们提出 Tiny Recurrent U-Net（TRU-Net），一种轻量级在线推理模型，其性能可与当前最先进模型媲美。TRU-Net 量化版的大小为 362 千字节，足以小到部署在边缘设备上。此外，我们将这一小尺寸模型与一种称为相位感知 -sigmoid 掩码的新掩码方法相结合，从而实现同时去噪与去混响。客观与主观评测结果均表明，我们的模型以少几个数量级的参数量，在基准数据集上能与当前最先进模型取得具竞争力的性能。
引用
@article{arxiv.2102.03207,
title = {Real-time Denoising and Dereverberation with Tiny Recurrent U-Net},
author = {Hyeong-Seok Choi and Sungjin Park and Jie Hwan Lee and Hoon Heo and Dongsuk Jeon and Kyogu Lee},
journal= {arXiv preprint arXiv:2102.03207},
year = {2021}
}
备注
5 pages, 2 figures, 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). arXiv admin note: text overlap with arXiv:2006.00687