論文の概要: Beyond Model Size: Redesigning LiSenNet for embedded speech enhancement
- arxiv url: http://arxiv.org/abs/2609.29866v1
- Date: Thu, 24 Sep 2026 14:24:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.998436
- Title: Beyond Model Size: Redesigning LiSenNet for embedded speech enhancement
- Title（参考訳）: モデルサイズを超えて - 組込み音声強調のためのLiSenNetの再設計
- Abstract要約: 音声強調ネットワークはパラメータ数とMACを名目上マイクロコントローラに適したレベルに減らしている。
我々は、STM32N6570-DK Neural-ARTアクセラレータのために、37kパラメータのサブバンドデュアルパスモデルであるLiSenNetを再設計することで、このギャップに対処する。
我々は、リカレントボトルネックを畳み込み周波数と時間ミキサーに置き換え、非サポート操作を静的な int8互換プリミティブとして再構成し、量子化後の品質を維持するために有界デコーダアクティベーションを使用する。
- 参考スコア（独自算出の注目度）: 1.5469452301122175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deploying real-time speech enhancement on resource-constrained devices requires meeting strict latency, memory, and energy constraints. Microcontroller NPUs can accelerate neural inference under these constraints, but only through a restricted set of operators in static, integer-quantized graphs. Recent speech-enhancement networks have reduced parameter counts and MACs to levels nominally suitable for microcontrollers, but their operators and execution patterns often remain incompatible with restricted NPUs. We address this gap by redesigning LiSenNet, a 37k parameter sub-band dual-path model, for the STM32N6570-DK Neural-ART accelerator. We replace its recurrent bottleneck with convolutional frequency and temporal mixers, reformulate unsupported operations as static int8-compatible primitives, and use bounded decoder activations to preserve quality after quantization. On VoiceBank-DEMAND, the final NPU-compatible model matches or exceeds the recurrent LiSenNet baseline, reaching PESQ 3.08 versus 3.01 in FP32 and 3.01 versus 2.93 in int8. Deployed on a microcontroller, it processes each 16 ms input hop in 4.83 ms, corresponding to a real-time factor of 0.30. Stateless receptive-field recomputation is an order of magnitude slower at the same frame rate despite higher accelerator utilization. These results show that parameter count and operator compatibility, quantization range, and persistent streaming state must be co-designed to achieve efficient real-time speech enhancement on restricted NPUs.
- Abstract（参考訳）: リソース制約のあるデバイスにリアルタイムの音声強調をデプロイするには、厳格なレイテンシ、メモリ、エネルギー制約を満たす必要がある。
マイクロコントローラNPUはこれらの制約の下での神経推論を加速することができるが、静的な整数量子化グラフの演算子セットによってのみ制限される。
近年の音声強調ネットワークはパラメータ数やMACをマイクロコントローラに適したレベルに減らしているが、演算子や実行パターンは制限されたNPUと互換性がないことが多い。
我々は、STM32N6570-DK Neural-ARTアクセラレータのために、37kパラメータのサブバンドデュアルパスモデルであるLiSenNetを再設計することで、このギャップに対処する。
我々は、リカレントボトルネックを畳み込み周波数と時間ミキサーに置き換え、非サポート操作を静的な int8互換プリミティブとして再構成し、量子化後の品質を維持するために有界デコーダアクティベーションを使用する。
VoiceBank-DEMANDでは、最後のNPU互換モデルがリカレントなLiSenNetベースラインと一致し、PESQ 3.08 対 FP32 対 3.01 対 3.01 対 int8 対 2.93 となる。
マイクロコントローラ上に展開され、16ミリ秒毎の入力ホップを4.83ミリ秒で処理する。
ステートレス受容場再計算は、加速器の利用率が高いにもかかわらず、同じフレームレートで桁違い遅くなる。
これらの結果から, パラメータカウントと演算子互換性, 量子化範囲, 永続的ストリーミング状態は, 制限されたNPU上での効率的なリアルタイム音声強調を実現するために, 協調設計されなければならないことがわかった。
関連論文リスト
- Quantum-Enhanced Learning Framework for Intelligent and AI-Native 6G Wireless Networks [28.680231795970837]
マルチスケールな拡張畳み込みとスケールされたドット積の注目を統合する,TinyML-量子ハイブリッドフレームワークであるQuantumerを紹介する。
また、コンパクトなトラフィック表現をヒルベルト空間にマッピングする4ビット変分回路であるQuantiblentLayerを提案する。
これらの量子アシスト埋め込みをエネルギー効率が高く軽量なトランスフォーマーに転送することで、Quantumerは計算とメモリのオーバーヘッドを最小限に抑えて強力な検出性能を実現する。
論文 参考訳（メタデータ） (2026-09-06T20:13:42Z) - L-SPINE: A Low-Precision SIMD Spiking Neural Compute Engine for Resource-efficient Edge Inference [0.0]
L-SPINEは、効率的なエッジ推論のための低精度SIMD対応スパイクニューラルネットワークエンジンである。
このアーキテクチャは、2ビット、4ビット、8ビット操作をサポートする統合されたマルチ精度データパスを備えている。
L-SPINEは46.37K LUTs、30.4K FFs、2.38msのレイテンシ、0.54Wの電力を実現している。
論文 参考訳（メタデータ） (2026-04-04T07:46:16Z) - TinyML Enhances CubeSat Mission Capabilities [8.462623779881566]
本稿では,画像分類のための畳み込みニューラルネットワーク(ConvNets)モデル最適化と配置パイプラインを提案する。
我々のパイプラインは、構造化された反復プルーニング、後のINT8量子化、および圧縮モデルへのハードウェア対応オペレータマッピングを統合している。
最適化されたモデルでは、RAM使用率89.55%、フラッシュメモリ709%の平均的な削減が示されている。
論文 参考訳（メタデータ） (2026-03-20T17:51:07Z) - LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。
本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。
本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
論文 参考訳（メタデータ） (2026-01-18T12:08:38Z) - Enhancing Field-Oriented Control of Electric Drives with Tiny Neural Network Optimized for Micro-controllers [0.8328638943795448]
本稿では、永久磁石同期モータ(PMSM)のフィールド指向制御(FOC)に統合された小型フィードフォワードニューラルネットワークTinyFCを紹介する。
マイクロコントローラの計算およびメモリ制約に適合しながら、FOC性能を向上させるために、軽量な1400のパラメータであるTinyFCが開発された。
論文 参考訳（メタデータ） (2025-02-01T19:16:51Z) - Sub-8-bit quantization for on-device speech recognition: a
regularization-free approach [19.84792318335999]
General Quantizer (GQ) は、自己調整可能なセントロイドを持つ正規化フリーの「ソフトからハード」圧縮機構である。
GQ は RNN-T と Conformer の両方を sub-8-bit に圧縮でき、いくつかの RNN-T 層では高速で正確な推論のために 1-bit に圧縮できる。
論文 参考訳（メタデータ） (2022-10-17T15:42:26Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - EdgeBERT: Sentence-Level Energy Optimizations for Latency-Aware
Multi-Task NLP Inference [82.1584439276834]
BERTのようなトランスフォーマーベースの言語モデルでは、自然言語処理(NLP)タスクの精度が大幅に向上する。
We present EdgeBERT, a in-deepth algorithm- hardware co-design for latency-aware energy optimization for multi-task NLP。
論文 参考訳（メタデータ） (2020-11-28T19:21:47Z) - FastEmit: Low-latency Streaming ASR with Sequence-level Emission
Regularization [78.46088089185156]
ストリーム自動音声認識(ASR)は、仮説化された単語を可能な限り迅速かつ正確に出力することを目的としている。
既存のアプローチでは、シーケンストランスデューサモデルにおいて、トーケン単位またはフレーム単位の確率予測を演算することで、発光遅延をペナルティ化する。
本稿では,訓練用トランスデューサモデルにおいて,シーケンス毎の確率に遅延正規化を直接適用する,FastEmitというシーケンスレベルのエミッション正規化手法を提案する。
論文 参考訳（メタデータ） (2020-10-21T17:05:01Z)
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。