面向实时深度噪声抑制的高效模型研究
音频与语音处理
2021-05-20 v2 声音
摘要
随着近期的研究进展，深度学习模型正成为实时应用中语音增强的极具吸引力且强大的选择。尽管最先进的模型能在语音质量与背景噪声抑制方面取得出色结果，其主要挑战在于获得足够紧凑的模型，以便在推理时资源高效。对于数据驱动方法，一个重要但常被忽视的方面是：只有在真实世界数据上测试并以有用指标评估时，结果才令人信服。在本工作中，我们研究了用于语音增强的适度小型循环与卷积-循环网络架构，其在考虑混响的大型数据集上训练。我们展示了计算复杂度与可达成语音质量之间有趣的权衡，该质量在真实录音上使用高准确度MOS估计器测得。结果表明，可达成的语音质量是网络复杂度的函数，并指出了哪些模型具有更好的权衡。
引用
@article{arxiv.2101.09249,
title = {Towards efficient models for real-time deep noise suppression},
author = {Sebastian Braun and Hannes Gamper and Chandan K. A. Reddy and Ivan Tashev},
journal= {arXiv preprint arXiv:2101.09249},
year = {2021}
}