Fugu-MT 論文翻訳(概要): Dereverberation using joint estimation of dry speech signal and acoustic system

論文の概要: Dereverberation using joint estimation of dry speech signal and acoustic system

arxiv url: http://arxiv.org/abs/2007.12581v1
Date: Fri, 24 Jul 2020 15:33:08 GMT
ステータス: 処理完了
システム内更新日: 2022-11-07 07:14:09.586245
Title: Dereverberation using joint estimation of dry speech signal and acoustic system
Title（参考訳）: ドライ音声信号と音響システムの結合推定による残響推定
Authors: Sanna Wager, Keunwoo Choi, Simon Durand
Abstract要約: 音声のデバーベレーションは、信号から時間不変インパルス応答フィルタの品質劣化効果を除去することを目的としている。本報告では, ドライ音声信号と室内インパルス応答の同時推定を含む, 発声除去へのアプローチについて述べる。
参考スコア（独自算出の注目度）: 3.5131188669634885
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The purpose of speech dereverberation is to remove quality-degrading effects of a time-invariant impulse response filter from the signal. In this report, we describe an approach to speech dereverberation that involves joint estimation of the dry speech signal and of the room impulse response. We explore deep learning models that apply to each task separately, and how these can be combined in a joint model with shared parameters.
Abstract（参考訳）: 音声のデバーベレーションの目的は、信号から時間不変インパルス応答フィルタの品質劣化効果を取り除くことである。本報告では, ドライ音声信号と室内インパルス応答の同時推定を含む, 発声除去へのアプローチについて述べる。各タスクに個別に適用されるディープラーニングモデルと,これらを共有パラメータとの共同モデルで組み合わせる方法について検討する。

関連論文リスト

Unsupervised Blind Joint Dereverberation and Room Acoustics Estimation with Diffusion Models [21.669363620480333]
BUDDyと呼ばれるブラインド・デバーベーションと室内インパルス応答推定の教師なし手法を提案する。室内のインパルス応答が不明な視覚的シナリオでは、BUDDyは音声の発声に成功している。一般化に苦しむ教師付き手法とは異なり、BUDDyは異なる音響条件にシームレスに適応する。
論文参考訳（メタデータ） (2024-08-14T11:31:32Z)
Diffusion Posterior Sampling for Informed Single-Channel Dereverberation [15.16865739526702]
拡散モデルを用いた条件生成に基づく情報単一チャネルのデバーベレーション手法を提案する。室内インパルス応答の知識により、逆拡散により無響発話が生成される。提案手法は, 計測ノイズに対して, 最先端のインフォメーション・シングルチャネル・デバベーション法に比べ, かなり頑健である。
論文参考訳（メタデータ） (2023-06-21T14:14:05Z)
Repeat after me: Self-supervised learning of acoustic-to-articulatory mapping by vocal imitation [9.416401293559112]
そこで本稿では,限定的な解釈可能な音声パラメータ集合から複雑な音声刺激を再現可能な,事前学習されたニューラル音声合成器を組み合わせた音声生成の計算モデルを提案する。フォワードモデルと逆モデルの両方は、異なる話者からの生の音響のみの音声データから、自己指導的な方法で共同で訓練される。模倣シミュレーションは客観的かつ主観的に評価され、非常に奨励的なパフォーマンスを示す。
論文参考訳（メタデータ） (2022-04-05T15:02:49Z)
Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
高雑音および地中設定におけるインパルス応答推定は難しい問題である。本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-07T18:57:23Z)
Discretization and Re-synthesis: an alternative method to solve the Cocktail Party Problem [65.25725367771075]
この研究は、初めて合成に基づくアプローチがこの問題にうまく対応できることを示した。具体的には,離散シンボルの認識に基づく音声分離/強調モデルを提案する。離散シンボルの入力による合成モデルを利用することで、離散シンボル列の予測後、各ターゲット音声を再合成することができる。
論文参考訳（メタデータ） (2021-12-17T08:35:40Z)
Unsupervised Sound Localization via Iterative Contrastive Learning [106.56167882750792]
データアノテーションを必要としない反復型コントラスト学習フレームワークを提案する。次に、擬似ラベルを用いて、同じビデオからサンプリングされた視覚信号と音声信号の相関関係を学習する。我々の反復的戦略は徐々に音像の局所化を奨励し、非発声領域と参照音声との相関を減少させる。
論文参考訳（メタデータ） (2021-04-01T07:48:29Z)
Informed Source Extraction With Application to Acoustic Echo Reduction [8.296684637620553]
ディープラーニング手法は、ターゲット話者が発する参照スニペットを単一の埋め込みベクトルにマッピングする話者識別モデルを活用する。本稿では,参照信号の時間的ダイナミクスを捉えた時間変化源判別モデルを提案する。実験結果から,提案手法は音響エコー低減シナリオに適用した場合の抽出性能を著しく向上することが示された。
論文参考訳（メタデータ） (2020-11-09T17:13:23Z)
Continuous Speech Separation with Conformer [60.938212082732775]
分離システムでは、リカレントニューラルネットワークの代わりにトランスとコンバータを用いる。我々は,自己注意に基づく方法でグローバルな情報を取得することが,音声分離に不可欠であると信じている。
論文参考訳（メタデータ） (2020-08-13T09:36:05Z)
Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
論文参考訳（メタデータ） (2020-04-06T06:34:01Z)
Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。主な課題は、複雑な音響環境とリアルタイム処理の要件である。複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
論文参考訳（メタデータ） (2020-01-02T11:12:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。