第二章 目标说话人提取之《Unified Audio Visual Cues for Target Speaker Extraction
》
文章目录
前言
语音新手入门，学习读懂论文。
本文作者机构是
一、任务
提出了一个统一的TSE网络，称为Uni-Net，它采用分而治之的策略将音频和嘴唇线索融合到不同的网络中，利用每个线索的独特信息。从各种线索中提取的语音作为先验信息，通过后处理网络进一步细化。
二、动机
语音注册的方法会面临一些问题，如年龄和情绪会改变说话人的声音特征。此外，由于混合物中相似的语音特性，性能也会下降。
三、挑战
音频线索反映了说话者独特的声音属性，而视觉线索与目标语音在时间上是同步的。此外，音频线索是时不变的，而视觉线索是时变的，导致两者之间的差异。因此，在混合语音的共享网络中集成音频和视觉线索并不是最佳选择。这些线索会相互干扰，严重阻碍了性能的提高。
四、方法
1.总体架构
提出的框架由三个部分组成:基于音频线索的提取子网(ACENet)、基于视觉线索的提取子网(VCENet)和后处理网络(PPNet)。
2.tes网络
对于视觉提取器，我们使用了一个3D卷积层，然后是一个18层的ResNet和一个时间卷积网络(TCN)。音频提取器采用长短期记忆(LSTM)单元和线性层的组合。
TCN包含一个卷积层、一个Relu激活层和一个层归一化层。
TF-GridNet开发了ACENet和VCENet，它们代表了最先进的语音分离性能。TF-GridNet在STFT域内训练，使用二维卷积和层归一化对复频谱进行编码。每个TF-Grid块包括三个主要模块:帧内频谱模块、子带时间模块和全带自注意模块。
帧内频谱模块将输入R （D×T ×F）解释为T个不同的序列在T上做，并部署BLSTM来捕获每帧的全频带和频谱信息。
子带时间模块将输入R D×T ×F视为F个单独的序列，利用BLSTM捕获每个频率内的时间动态。
全频带自注意模块中，输入被重塑为大小为T × (F × D)的表示，其中多头自注意被用于建模全局依赖关系。
3. 融合网络
实现了 in-place 卷积作为后处理网络，该架构包括三个主要组件：Inplace Encoder、Frequency-wise LSTM 和 Inplace Decoder。Inplace Encoder 和 Inplace Decoder 都采用了六层 in-place 卷积操作。in-place 卷积采用步幅为 1，从而保留了频谱细节，并促进了对通道间相关性的分析。
4.损失函数
使用尺度不变的信噪比(硅信噪比)[23]作为损失函数
五、实验评价
1.数据集
VoxCeleb2数据集，选择了48,000个包含800个说话者的话语进行训练，并从118个不同的说话者中选择了36,237个话语进行测试，确保两个集之间没有说话者重叠。 干扰语音与目标语音合并，使用随机的信噪比(SNR)在-10dB到10db之间变化。
2.消融实验
3.客观评价
作者 提出的框架显著优于SpeakerBeam，在SISNRi、SDRi、PESQ和STOI方面分别提高了1.72 dB、1.63 dB、0.46 dB和3.3%。
视觉线索被遮挡时，作者进一步评估了提出的框架和基线的鲁棒性。
不同遮挡程度下的对比。
4.主观评价
六、结论
作者提出了一个统一的目标说话人提取框架，以克服音频和视觉线索之间的冲突。具体来说，作者利用分而治之的方法，将音频和视觉线索集成到不同的子网中，以利用每个线索提供的独特信息。还引入了一种后处理网络，进一步提取目标语音并抑制干扰。实验证明，作者的网络架构与其他具有竞争力的基线相比，该方法具有优越的性能。