通过层次化推断音节与音素起始位置实现歌声音素分割
声音
2018-06-06 v1 信息检索
音频与语音处理
摘要
在本文中，我们利用与语言无关的信息——起始点与前验粗粒度时长，解决歌唱训练场景下的歌声音素分割问题。我们提出一种两步法。第一步，我们使用卷积神经网络（CNN）联合计算音节与音素起始检测函数（ODFs）。第二步，通过使用时长信息隐马尔可夫模型（HMM）层次化推断音节与音素边界及标签。为实现推断，我们将先验时长模型作为转移概率、将ODFs作为发射概率纳入HMM中。所提方法以与语言无关的方式设计，因此不使用任何音素类别标签。为进行模型训练与算法评估，我们收集了一个新的京剧（亦称北京或平剧）独唱歌声数据集，并人工标注了乐句、音节和音素级别的边界与标签。该数据集已公开。所提方法与基于隐半马尔可夫模型（HSMM）强制对齐的基线方法进行比较。评估结果表明，在分割与起始检测两项任务上，所提方法均大幅优于基线。
引用
@article{arxiv.1806.01665,
title = {Singing voice phoneme segmentation by hierarchically inferring syllable and phoneme onset positions},
author = {Rong Gong and Xavier Serra},
journal= {arXiv preprint arXiv:1806.01665},
year = {2018}
}
备注
Interspeech 2018