論文の概要: Training DeepFilterNet with Accurate Room Acoustic Simulations Improves Single-Channel Speech Enhancement
- arxiv url: http://arxiv.org/abs/2608.20971v1
- Date: Fri, 21 Aug 2026 10:50:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.512692
- Title: Training DeepFilterNet with Accurate Room Acoustic Simulations Improves Single-Channel Speech Enhancement
- Title（参考訳）: 室内音響シミュレーションによるDeepFilterNetの訓練による単チャンネル音声強調
- Abstract要約: 本稿では,合成室インパルス応答(RIR)データセットのリアリズムが,単一チャネル音声強調のためのDeepFilterNet3のトレーニングに与える影響について検討する。
我々は、DNS4画像ソース・メソッド(ISM)RIRデータセットと、ハイブリッドウェーブベースおよび幾何学的音響シミュレーションを用いて生成された高音響忠実度データセットを比較した。
高忠実度データセットによるトレーニングは、客観的な指標の質素な改善と、ASRワードエラー率の大幅な低下をもたらす。
- 参考スコア（独自算出の注目度）: 0.9617245548268437
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate how the realism of synthetic room impulse response (RIR) datasets affects the training of DeepFilterNet3 for single-channel speech enhancement. We compare a DNS4 image-source-method (ISM) RIR dataset with a higher-acoustic-fidelity dataset generated using hybrid wave-based and geometrical acoustics simulation. Rather than isolating individual simulation factors, we compare complete RIR generation pipelines while keeping the enhancement model unchanged. Models are evaluated on unseen measured RIRs using objective speech enhancement metrics and downstream automatic speech recognition (ASR). Training with the higher-fidelity dataset consistently yields modest improvements in objective metrics and substantially lower ASR word error rates than the ISM dataset. Although the experiments do not attribute these gains to individual modelling components, they show that increasing the overall realism of synthetic acoustic training data improves the generalization of DeepFilterNet3 to unseen measured environments.
- Abstract（参考訳）: 本稿では,合成室インパルス応答(RIR)データセットのリアリズムが,単一チャネル音声強調のためのDeepFilterNet3のトレーニングに与える影響について検討する。
我々は、DNS4画像ソース・メソッド(ISM)RIRデータセットと、ハイブリッドウェーブベースおよび幾何学的音響シミュレーションを用いて生成された高音響忠実度データセットを比較した。
個別のシミュレーション因子を分離するのではなく、拡張モデルを維持しながら完全なRIR生成パイプラインを比較した。
対象音声強調指標と下流自動音声認識(ASR)を用いて、未知のRIRを用いてモデルを評価する。
高忠実度データセットによるトレーニングは、目標メトリクスの質素な改善と、ISMデータセットよりもASRワードエラー率を大幅に低くする。
実験はこれらの利得を個々のモデリング要素に当てはまるものではないが、合成音響トレーニングデータの全体的現実性の向上により、DeepFilterNet3の非表示環境への一般化が向上することを示した。
関連論文リスト
- Improving multichannel speech enhancement through accurate room-acoustic simulations [0.9617245548268437]
高忠実度データセットのトレーニングは、低忠実度データセットと比較して、中央値の単語誤り率を最大38%削減する。
これらの結果から,高忠実度室内音響シミュレーションによる拡張は,直接的に多チャンネル音声強調性能を向上させることが示唆された。
論文 参考訳（メタデータ） (2026-06-30T12:10:29Z) - Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。
このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。
GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
論文 参考訳（メタデータ） (2026-02-13T04:38:51Z) - Studying the Role of Synthetic Data for Machine Learning-based Wireless Networks Traffic Forecasting [1.1699027359021665]
本稿では,大規模Wi-Fi展開のための一階自動回帰雑音統計量に基づく合成データ生成手法を提案する。
実験結果から, 実データを用いて得られた10～15項目のうち, 平均絶対誤差(MAE)値が得られた。
一般化が必要な場合、合成データ学習モデルは、実データ学習ベースラインと比較して、予測精度を最大50%向上させる。
論文 参考訳（メタデータ） (2026-01-12T15:27:55Z) - Treble10: A high-quality dataset for far-field speech recognition, dereverberation, and enhancement [2.6008293644386904]
本稿では,大規模で物理的に正確な室内音響データセットであるTreble10を紹介する。
Treble10には、3000以上のブロードバンドルームインパルス応答(RIR)が含まれており、フル装備の現実世界の10室でシミュレートされている。
全ての信号は32kHzでシミュレートされ、低周波効果と高周波反射を正確にモデル化する。
論文 参考訳（メタデータ） (2025-10-27T09:17:44Z) - Explicit Context-Driven Neural Acoustic Modeling for High-Fidelity RIR Generation [17.013738637228553]
所与の場所で粗い部屋メッシュを問合せし,局所文脈の明示的な表現として距離分布を抽出するメッシュ注入型ニューラルネットワーク(MiNAF)を提案する。
我々のアプローチは、明示的な局所幾何学的特徴を取り入れることで、より正確なRIR予測を生成する上で、ニューラルネットワークをより導出できることを実証している。
論文 参考訳（メタデータ） (2025-09-18T17:57:07Z) - Real Acoustic Fields: An Audio-Visual Room Acoustics Dataset and Benchmark [65.79402756995084]
Real Acoustic Fields (RAF)は、複数のモードから実際の音響室データをキャプチャする新しいデータセットである。
RAFは密集した室内音響データを提供する最初のデータセットである。
論文 参考訳（メタデータ） (2024-03-27T17:59:56Z) - AV-RIR: Audio-Visual Room Impulse Response Estimation [49.469389715876915]
室内インパルス応答(RIR)の正確な推定は,音声処理やAR/VR応用において重要である。
本稿では,与えられた残響音声信号と対応する環境の視覚的手がかりからRIRを正確に推定する,新しいマルチモーダルマルチタスク学習手法であるAV-RIRを提案する。
論文 参考訳（メタデータ） (2023-11-30T22:58:30Z) - Synthetic Wave-Geometric Impulse Responses for Improved Speech
Dereverberation [69.1351513309953]
室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。
本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
論文 参考訳（メタデータ） (2022-12-10T20:15:23Z) - Bridging the Gap Between Clean Data Training and Real-World Inference
for Spoken Language Understanding [76.89426311082927]
既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。
本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。
広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
論文 参考訳（メタデータ） (2021-04-13T17:54:33Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳（メタデータ） (2020-10-12T16:50:22Z)
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。