論文の概要: PickNet: Real-Time Channel Selection for Ad Hoc Microphone Arrays
- arxiv url: http://arxiv.org/abs/2201.09586v1
- Date: Mon, 24 Jan 2022 10:52:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 17:24:53.252688
- Title: PickNet: Real-Time Channel Selection for Ad Hoc Microphone Arrays
- Title（参考訳）: picknet:アドホックマイクロホンアレーのためのリアルタイムチャネル選択
- Authors: Takuya Yoshioka, Xiaofei Wang, and Dongmei Wang
- Abstract要約: PickNetは、携帯電話のような複数の記録デバイスで構成されるアドホックマイクロフォンアレイのリアルタイムチャネル選択のためのニューラルネットワークモデルである。
提案モデルでは,ブロックオンラインビームフォーマと単一遠方マイクロホンを用いて,計算コストの制限による単語誤り率の大幅な向上を実現した。
- 参考スコア（独自算出の注目度）: 15.788867107071244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes PickNet, a neural network model for real-time channel
selection for an ad hoc microphone array consisting of multiple recording
devices like cell phones. Assuming at most one person to be vocally active at
each time point, PickNet identifies the device that is spatially closest to the
active person for each time frame by using a short spectral patch of just
hundreds of milliseconds. The model is applied to every time frame, and the
short time frame signals from the selected microphones are concatenated across
the frames to produce an output signal. As the personal devices are usually
held close to their owners, the output signal is expected to have higher
signal-to-noise and direct-to-reverberation ratios on average than the input
signals. Since PickNet utilizes only limited acoustic context at each time
frame, the system using the proposed model works in real time and is robust to
changes in acoustic conditions. Speech recognition-based evaluation was carried
out by using real conversational recordings obtained with various smartphones.
The proposed model yielded significant gains in word error rate with limited
computational cost over systems using a block-online beamformer and a single
distant microphone.
- Abstract（参考訳）: 本稿では,携帯電話などの複数の記録装置からなるアドホックマイクロホンアレイのリアルタイムチャネル選択のためのニューラルネットワークモデルである picknet を提案する。
ピックネットは、少なくとも1人が各時点において発声活動を行うと仮定し、わずか数百ミリ秒の短いスペクトルパッチを用いて、各時間フレーム毎にアクティブな人物に空間的に最も近いデバイスを特定する。
モデルが時間フレーム毎に適用され、選択したマイクからの短時間フレーム信号がフレーム全体に連結されて出力信号が生成される。
個人機器は通常、所有者の近くに保持されるため、出力信号は、入力信号よりも平均で信号対雑音および残響率が高いことが期待される。
PickNetは各時間帯に限られた音環境しか利用しないため,提案モデルを用いたシステムはリアルタイムに動作し,音環境の変化に頑健である。
各種スマートフォンを用いた実会話記録を用いて音声認識に基づく評価を行った。
提案モデルでは,ブロックオンラインビームフォーマと単一遠方マイクロホンを用いて,計算コストの制限による単語誤り率の大幅な向上を実現した。
関連論文リスト
- Binaural Angular Separation Network [7.4471290433964406]
2つのマイクを用いて,異なる角度領域の音源間干渉からターゲット音声源を分離できるニューラルネットワークモデルを提案する。
このモデルはデバイス上でリアルタイムに動作し、電話やビデオ会議などの低遅延ストリーミングアプリケーションに適している。
論文 参考訳（メタデータ） (2024-01-16T22:36:12Z) - Multi-View Frequency-Attention Alternative to CNN Frontends for
Automatic Speech Recognition [12.980843126905203]
周波数に対するグローバルな関心は、局所的な畳み込みよりも有益であることを示す。
畳み込み型ニューラルネットワークトランスデューサに代えて,生産規模での単語誤り率を2.4%削減する。
論文 参考訳（メタデータ） (2023-06-12T08:37:36Z) - Universal speaker recognition encoders for different speech segments
duration [7.104489204959814]
プールされた短い音声セグメントと長い音声セグメントを同時に訓練するシステムでは、最適な検証結果が得られない。
我々は,任意のタイプのニューラルネットワークアーキテクチャに対して,ユニバーサル話者エンコーダを訓練するための簡単なレシピについて述べる。
論文 参考訳（メタデータ） (2022-10-28T16:06:00Z) - A Study of Designing Compact Audio-Visual Wake Word Spotting System
Based on Iterative Fine-Tuning in Neural Network Pruning [57.28467469709369]
視覚情報を利用した小型音声覚醒単語スポッティング(WWS)システムの設計について検討する。
繰り返し微調整方式(LTH-IF)で抽選券仮説を通したニューラルネットワークプルーニング戦略を導入する。
提案システムでは,ノイズ条件の異なる単一モード(オーディオのみ,ビデオのみ)システムに対して,大幅な性能向上を実現している。
論文 参考訳（メタデータ） (2022-02-17T08:26:25Z) - High Quality Streaming Speech Synthesis with Low,
Sentence-Length-Independent Latency [3.119625275101153]
システムは自己回帰型アテンションに基づくシーケンス・ツー・シーケンス音響モデルと波形生成のためのLPCNetボコーダから構成される。
完全なエンドツーエンドシステムは、ほぼ自然な品質の音声を生成することができ、聴取テストによって検証される。
論文 参考訳（メタデータ） (2021-11-17T11:46:43Z) - Real-time Speaker counting in a cocktail party scenario using
Attention-guided Convolutional Neural Network [60.99112031408449]
重なり合う音声におけるアクティブ話者数を推定するために,CNN(Real-time, Single-channel attention-guided Convolutional Neural Network)を提案する。
提案システムは,CNNモデルを用いて音声スペクトルから高レベル情報を抽出する。
WSJコーパスを用いた重畳音声のシミュレーション実験により,従来の時間平均プーリングに比べて,注意解がほぼ3%向上することが示されている。
論文 参考訳（メタデータ） (2021-10-30T19:24:57Z) - Multi-Channel End-to-End Neural Diarization with Distributed Microphones [53.99406868339701]
EENDのTransformerエンコーダを,マルチチャネル入力を処理する2種類のエンコーダに置き換える。
また,単一チャンネル記録のみを用いたモデル適応手法を提案する。
論文 参考訳（メタデータ） (2021-10-10T03:24:03Z) - VoiceFilter-Lite: Streaming Targeted Voice Separation for On-Device
Speech Recognition [60.462770498366524]
ターゲットユーザからの音声信号のみを保存するためにデバイス上で実行される単一チャネルソース分離モデルであるVoiceFilter-Liteを導入する。
本研究では,そのようなモデルを8ビット整数モデルとして量子化し,リアルタイムに実行可能であることを示す。
論文 参考訳（メタデータ） (2020-09-09T14:26:56Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z) - Neural Speech Separation Using Spatially Distributed Microphones [19.242927805448154]
本稿では,空間分布マイクロホンを用いたニューラルネットワークに基づく音声分離手法を提案する。
従来のマイクアレイの設定とは異なり、マイクの数や空間配置は事前に分かっていない。
音声認識実験の結果,提案手法はベースライン型マルチチャネル音声分離システムよりも有意に優れていた。
論文 参考訳（メタデータ） (2020-04-28T17:16:31Z) - 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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。