論文の概要: SE-AGCNet: An End-to-End Framework for Joint Speech Enhancement and Loudness Control in Meeting Scenarios
- arxiv url: http://arxiv.org/abs/2606.25959v1
- Date: Wed, 24 Jun 2026 15:32:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.385045
- Title: SE-AGCNet: An End-to-End Framework for Joint Speech Enhancement and Loudness Control in Meeting Scenarios
- Title（参考訳）: SE-AGCNet:会議シナリオにおける音声強調とラウドネス制御のためのエンドツーエンドフレームワーク
- Abstract要約: 我々はSEとAGCを協調的に最適化するエンドツーエンドフレームワークであるSE-AGCNetを提案する。
本研究は,SE-AGCNetが音声品質とASRの精度を競争ベースラインよりも向上しつつ,常に目標音量を達成することを示す。
- 参考スコア（独自算出の注目度）: 42.40609566061817
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conventional audio pipelines typically treat speech enhancement (SE) and automatic gain control (AGC) as discrete modules, which often limits overall performance. For instance, applying AGC before SE may inadvertently amplify background noise, while prioritizing SE tends to over-suppress low-volume speech. To address these limitations, we propose SE-AGCNet, an end-to-end framework that jointly optimizes SE and AGC. Tailored for meeting scenarios with significant volume variations, SE-AGCNet leverages the synergy between the two tasks: SE preserves quiet speech, thereby facilitating effective volume adjustment by the AGC component. Furthermore, we propose a specialized data simulation pipeline, SE-AGC-DataGen, and incorporate standardized loudness evaluation metrics: integrated loudness (LUFS), short-term loudness (St LUFS), and LRA. Experiments show that SE-AGCNet consistently achieves target loudness while improving speech quality and ASR accuracy over competitive baselines.
- Abstract（参考訳）: 従来のオーディオパイプラインは、通常、音声強調(SE)と自動ゲイン制御(AGC)を独立したモジュールとして扱う。
例えば、SEの前にAGCを適用すると、SEの優先順位付けは低ボリュームの音声を過度に抑圧する傾向があるが、必然的にバックグラウンドノイズを増幅することがある。
これらの制約に対処するため,SEとAGCを協調的に最適化するエンドツーエンドフレームワークであるSE-AGCNetを提案する。
SE-AGCNetは音量変化のあるシナリオに対応するために設計されており、SEは静かな音声を保存し、AGCコンポーネントによる効果的なボリューム調整を容易にする。
さらに,特殊データシミュレーションパイプラインであるSE-AGC-DataGenを提案し,音質評価の標準指標であるLUFS(Integrated loudness),St LUFS(Short-term loudness),LRA(LRA)を取り入れた。
実験の結果,SE-AGCNetは音声品質とASRの精度を競争ベースラインよりも向上させながら,常に目標音量を達成することがわかった。
関連論文リスト
- Listen, Reason, and Segment: Aligning LALMs with Editorial Judgment for Media Chapterization [58.34381853842135]
LALM(Large Audio Language Models)は、標準化されたベンチマークを急速に進歩させたが、実際的なメディア、キュレーション、アーカイブインデックス、コンテンツ配信への展開は、ほとんど実現されていない。
連続的な音声ストリームを主題的に一貫性のあるチャプタに分割するタスクである自動音声チャプタライゼーションを同定する。
このタスクのために、エンドツーエンドのLALMを調整するためのフレームワークであるAudioChapsを紹介します。
論文 参考訳（メタデータ） (2026-08-17T13:14:01Z) - On Aligning Hierarchical Standardized Embedding for Audio-visual Generalized Zero-shot Learning [31.446813732779344]
視覚的一般化ゼロショット学習(AV-GZSL)は、見えない物体やシーンの両方を分類することを目的とした課題である。
近年の研究では、より情報に富んだ視覚的埋め込みを生成するために、音声と視覚的特徴を融合または整合させることに重点を置いている。
本稿では,AHSE (Aligning Hierarchical Standardized Embedding) という手法を提案する。
論文 参考訳（メタデータ） (2026-06-10T02:59:13Z) - SW-ASR: A Context-Aware Hybrid ASR Pipeline for Robust Single Word Speech Recognition [0.8921166277011348]
単一単語自動音声認識は言語文脈の欠如による課題である。
本稿では,最近のディープラーニング手法を概観し,ロバストな単一単語検出のためのモジュラーフレームワークを提案する。
我々は、Google Speech Commandsデータセットと、電話やメッセージングプラットフォームから収集された実世界のデータセットについて、帯域幅に制限のある条件下で評価する。
論文 参考訳（メタデータ） (2026-01-28T04:50:04Z) - SE-DiCoW: Self-Enrolled Diarization-Conditioned Whisper [54.869557393131295]
本稿では,SE-DiCoW(Self-Enrolled Diarization-Conditioned Whisper)について紹介する。
SE-DiCoWは、EMMA MT-ASRベンチマークのオリジナルのDiCoWと比較して、マクロ平均WERを52.4%削減する。
論文 参考訳（メタデータ） (2026-01-27T04:51:07Z) - Stream RAG: Instant and Accurate Spoken Dialogue Systems with Streaming Tool Usage [66.67531241554546]
従来のASR-LLM-TTSパイプラインに代わる強力な対話システムとして、エンドツーエンドの音声対話システムが登場している。
本稿では,音声入力システムに直接ツールの使用を拡張するための最初のアプローチを紹介する。
提案するStreaming Retrieval-Augmented Generation (Streaming RAG) は,ユーザ音声と並行してツールクエリを予測することにより,ユーザ知覚のレイテンシを低減する新しいフレームワークである。
論文 参考訳（メタデータ） (2025-10-02T14:18:20Z) - Joint Learning using Mixture-of-Expert-Based Representation for Enhanced Speech Generation and Robust Emotion Recognition [54.44798086835314]
音声感情認識(SER)は感情認識音声システム構築において重要な役割を担っているが,その性能は雑音下で著しく低下する。
本稿では, フレームワイド・エキスパート・ルーティングを自己教師付き音声表現に応用した, フレキシブルMTLフレームワークSparse Mixture-of-Experts Representation Integration Technique (Sparse MERIT)を提案する。
MSP-Podcastコーパスの実験では、Sparse MERITはSERとSEの両方のタスクのベースラインモデルより一貫して優れていた。
論文 参考訳（メタデータ） (2025-09-10T10:18:56Z) - Unifying Speech Enhancement and Separation with Gradient Modulation for
End-to-End Noise-Robust Speech Separation [23.758202121043805]
本稿では,音声の強調と分離を勾配変調で統一し,ノイズ・ロバスト性を改善する新しいネットワークを提案する。
実験結果から,大規模Libri2Mix-およびLibri3Mix-noisyデータセットの最先端化が得られた。
論文 参考訳（メタデータ） (2023-02-22T03:54:50Z) - Inference and Denoise: Causal Inference-based Neural Speech Enhancement [83.4641575757706]
本研究では、雑音の存在を介入としてモデル化することにより、因果推論パラダイムにおける音声強調(SE)課題に対処する。
提案した因果推論に基づく音声強調(CISE)は,ノイズ検出器を用いて間欠雑音音声中のクリーンフレームとノイズフレームを分離し,両フレームセットを2つのマスクベース拡張モジュール(EM)に割り当て,ノイズ条件SEを実行する。
論文 参考訳（メタデータ） (2022-11-02T15:03:50Z) - Robust, General, and Low Complexity Acoustic Scene Classification
Systems and An Effective Visualization for Presenting a Sound Scene Context [53.80051967863102]
音響シーン分類(ASC)の包括的解析について述べる。
ASCベースラインと呼ばれる,創発的かつ低フットプリントのASCモデルを提案する。
次に、新しいディープニューラルネットワークアーキテクチャを提案することにより、ASCベースラインを改善する。
論文 参考訳（メタデータ） (2022-10-16T19:07:21Z) - CMGAN: Conformer-based Metric GAN for Speech Enhancement [6.480967714783858]
本稿では,時間周波数領域に対する共振器を用いた距離生成逆ネットワーク(CMGAN)を提案する。
本生成装置では,2段コンバータブロックを用いて,全等級および複雑なスペクトログラム情報を集約する。
デコーダ段階では、大きさと複素スペクトルの推定を分離し、拡張された音声を再構成するために共同で組み込む。
論文 参考訳（メタデータ） (2022-03-28T23:53:34Z)
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。