非平稳声学环境下基于统计与神经网络的语音活动检测
音频与语音处理
2020-07-29 v2 声音
摘要
语音活动检测（SAD）通常依赖于噪声比语音“更”平稳这一事实，在非平稳环境中尤其具有挑战性，因为声学场景的时间变化使得区分语音与噪声变得困难。我们提出两种 SAD 方法，一种基于统计信号处理，另一种利用神经网络。前者采用精细的信号处理来跟踪噪声与语音能量，旨在支持一种资源高效、无监督的信号处理方法。后者引入一个递归网络层，在输入语音的短片段上操作，以在非平稳噪声存在时进行时间平滑。这些系统在 Fearless Steps 挑战赛（由阿波罗11号太空任务的传输数据组成）上进行了测试。统计 SAD 取得了与早前提出的基于神经网络的 SAD 相当的 detection 性能，而基于神经网络的方法在 2020 年 Fearless Steps 挑战赛的评估集上取得了 1.07% 的决策代价函数，创下了新的最先进水平。
引用
@article{arxiv.2005.09913,
title = {Statistical and Neural Network Based Speech Activity Detection in Non-Stationary Acoustic Environments},
author = {Jens Heitkaemper and Joerg Schmalenstroeer and Reinhold Haeb-Umbach},
journal= {arXiv preprint arXiv:2005.09913},
year = {2020}
}
备注
Accepted to Interspeech 2020