Perceive and predict: self-supervised speech representation based loss functions for speech enhancement

要約

音声強調の分野における最近の研究では、神経音声強調モデルのトレーニングを支援する自己教師あり音声表現の使用が検討されています。
ただし、この研究の多くは、以前の特徴エンコーディングではなく、自己教師あり音声表現モデルの最も深い出力または最終出力を使用することに焦点を当てています。
このような方法での自己教師あり表現の使用は、多くの場合、十分な動機を持って行われません。
この研究では、きれいな音声とノイズのある音声の特徴エンコード間の距離が、音声の品質と明瞭度の心理音響学的測定値、および人間の平均意見スコア (MOS) 評価と強く相関していることが示されています。
この距離を損失関数として使用する実験が実行され、STFT スペクトログラム距離ベースの損失や、音声強調文献の他の一般的な損失関数の使用と比較してパフォーマンスが向上することが、音声品質の知覚評価 (PESQ) や短い音声品質評価などの客観的な尺度を使用して実証されます。
-時間目標明瞭度 (STOI)。

要約(オリジナル)

Recent work in the domain of speech enhancement has explored the use of self-supervised speech representations to aid in the training of neural speech enhancement models. However, much of this work focuses on using the deepest or final outputs of self supervised speech representation models, rather than the earlier feature encodings. The use of self supervised representations in such a way is often not fully motivated. In this work it is shown that the distance between the feature encodings of clean and noisy speech correlate strongly with psychoacoustically motivated measures of speech quality and intelligibility, as well as with human Mean Opinion Score (MOS) ratings. Experiments using this distance as a loss function are performed and improved performance over the use of STFT spectrogram distance based loss as well as other common loss functions from speech enhancement literature is demonstrated using objective measures such as perceptual evaluation of speech quality (PESQ) and short-time objective intelligibility (STOI).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google