基于数据模拟的无监督噪声自适应
声音
2023-02-24 v1 人工智能
音频与语音处理
摘要
基于深度神经网络的语音增强方法旨在利用监督学习范式学习噪声到干净的变换。然而，如此训练良好的变换易受训练集中未包含的未知噪声影响。本文关注语音增强中的无监督噪声自适应问题，其中目标域数据的真值完全不可用。具体地，我们提出一种基于生成对抗网络的方法，利用几分钟未配对目标域数据高效学习相反的干净到噪声变换。随后该变换用于生成充足模拟数据以进行增强模型的域自适应。实验结果表明，我们的方法有效缓解了训练与测试集间的域失配，并以较大优势超越最佳基线。
引用
@article{arxiv.2302.11981,
title = {Unsupervised Noise adaptation using Data Simulation},
author = {Chen Chen and Yuchen Hu and Heqing Zou and Linhui Sun and Eng Siong Chng},
journal= {arXiv preprint arXiv:2302.11981},
year = {2023}
}
备注
Accepted by ICASSP2023