Oct, 2020

DNSMOS: 一种非侵入性的感知客观语音质量指标，用于评估降噪器

PDF
TL;DR为了评估噪音抑制算法的感知质量，该研究提出了一种多阶段自学习的感知客观指标方法，能够推广到高难度测试条件，并具有与人类评分的高相关性。
speech qualityobjective metricsnoise suppression algorithmsself-teachinghuman ratings
发现论文，激发创造
  • 2020 INTERSPEECH 深度降噪挑战：数据集、主观测试框架和挑战结果

    介绍了交互式语音技术协会 2020 年举办的深度噪声抑制挑战赛，通过提供大规模干净语音和噪声语料库对话音频，以及基于 ITU-T P.808 的在线主观测试框架，比较了不同算法的噪声抑制效果。

    May, 2020

  • 一种可扩展的嘈杂语音数据集和在线主观测试框架

    本研究提出了一种可以按任意讲话者数量、噪声类型和语音信噪比水平进行横向扩展的 MS-SNSD 有噪语音数据集，在这个基础上，研究者们推出了开源的评估方法，通过客观质量衡量标准和主观意见评分相互印证提升了 语音增强算法的性能。

    Sep, 2019

  • ICASSP 2021 深度降噪挑战

    本研究旨在促进噪声抑制技术的创新，提高感知语音质量。通过在 INTERSPEECH 2020 会议上举行 Deep Noise Suppression Challenge 特别会议以及开源训练和测试数据集，来推动该领域的研究。挑战赛分为两个方向，一个专注于实时去噪，另一个专注于实时个性化深度噪声抑制。我们还提供了一种非侵入式的客观语音质量指标 DNSMOS，在开发阶段供参与者使用，最终评估将基于主观测试。

    Sep, 2020

  • Interspeech 2021 深度降噪挑战

    Deep Noise Suppression Challenge aims to improve speech quality through open-sourced datasets and evaluation frameworks using two tracks focused on real-time denoising for wideband and full band scenarios, as well as making available a reliable objective speech quality metric called DNSMOS.

    Jan, 2021

  • 话语 MOS 多任务学习与评分者偏差校正

    本文提出了一种多任务框架来改进盲目 MOS 评估模型的性能，通过在训练中加入附加标签和数据，结合两个不连续的数据集来联合估算 MOS、混响时间和清晰度，并使用半监督框架来组合两个 MOS 数据集以解决评估者偏差。

    Dec, 2022

  • 在 VoIP 平台上提高感知质量、可懂性和声学表现

    本文提出了一种适用于 VoIP 应用的深度噪声抑制模型的微调方法，并通过使用多任务学习框架联合优化噪声抑制和特定于 VoIP 的声学，表明该方法优于行业绩效和最先进的语音增强方法，并展示了 DNS-2020 模型在不同 VoIP 平台上具有潜在优化的潜力，这些发现在语音识别、语音助手和通信等领域具有重要应用。

    Mar, 2023

  • Quality-Net：一种基于 BLSTM 的端到端非侵入式语音质量评估模型

    本研究提出了一种基于双向长短时记忆的全新端到端的非侵入式语音质量评估模型 Quality-Net，该模型可在没有干净参考语音的情况下对语音质量进行评估，实验结果表明 Quality-Net 可以产生与 PESQ 高相关性（噪声语音为 0.9，经过语音增强处理的语音为 0.84），有潜力在语音信号处理的广泛应用中使用。

    Aug, 2018

  • 基于扩散概率模型的语音增强度量化方法

    研究提出了一种基于度量导向的语音增强方法 (MOSE)，通过创新的 actor-critic 框架，将评估度量视为后验奖励，以指导反向过程到度量增加方向，从而提高了性能。

    Feb, 2023

  • 第七届 CHiME 挑战赛 UDASE 任务中语音增强方法的客观和主观评估

    本文针对 CHiME-7 UDASE 任务，通过主观和客观评估系统的结果，揭示了主观评分与最近提出的几个监督非入侵性性能指标在语音增强中的有限相关性，并指出可以使用更传统的入侵性客观指标来评估基于回声的 LibriCHiME-5 数据集的领域内性能。

    Feb, 2024

  • 改进基于自主学习的 MOS 预测网络

    该研究通过对先前基于自监督学习的 MOS 预测模型进行数据、训练和后训练的特定改进，并采用多种技术评估其有效性，包括 wav2vec 2.0 模型、转移学习、不同的批处理方法和方法的量化等，实现自动预测 MOS 值。

    Apr, 2022