神经分析-合成框架下半监督学习声门脉冲位置
音频与语音处理
2020-03-04 v1 声音
摘要
本文研究了近期出现的利用深度神经网络估计声门闭合时刻（GCI）的方法。我们基于先前的方法，该方法仅使用合成语音来创建完美标注的训练数据，并且已被证明优于其他使用电声门图（EGG）信号的训练方法。这里我们引入了一种半监督训练策略，借助使用真实语音信号的分析-合成设置来精炼估计器，而真实语音信号不存在 GCI 真值。分析器的评估通过将分析器生成的声门流信号中提取的 GCI 与 CMU arctic 数据集上从 EGG 提取的 GCI 进行比较来进行，该数据集除语音外还记录了 EGG 信号。我们观察到：（1.）我们之前构建合成数据库时使用的人工增加脉冲形状多样性是有益的；（2.）在分析-合成设置中训练 GCI 网络可显著改进 GCI 分析器；（3.）额外的正则化策略可在分析-合成设置中训练时改进最终的分析网络。
引用
@article{arxiv.2003.01220,
title = {Semi-supervised learning of glottal pulse positions in a neural analysis-synthesis framework},
author = {Frederik Bous and Luc Ardaillon and Axel Roebel},
journal= {arXiv preprint arXiv:2003.01220},
year = {2020}
}