提升语音分析的本地光谱 - 时域特征
本文探究一种利用卷积神经网络(CNN),以原始语音信号作为输入、输出为音素类别条件概率估计的新方法,比较其在TIMIT音素识别任务中的表现,发现该方法可以获得与传统方法相当或更好的音素识别性能,表明CNN可以自动从原始语音信号中学习与音素分类相关的特征。
Apr, 2013
本论文探讨了如何利用无监督的声学特征来增强语音识别,其中,通过学习始终对某些变换和变形不变的音频信号表示,实现了对短小的语音样本的有效处理,从而极大地提升了元音分类的准确性并降低了样本复杂性。
Jun, 2014
本研究旨在探讨卷积神经网络和简单线性分类器在提取自然语音特征以进行语音识别方面的应用,而该方法已被证明在音素识别模型和大规模连续语音识别时十分有效。
Dec, 2014
该研究论文通过提出一种基于梯度直方图的音频场景特征描述方法,对音频场景分类问题进行了探究,并在多个数据集上进行了比较实验,结果表明该方法具有更好的鲁棒性和性能表现,同时该研究还提供了一个新的数据集,可为后续研究提供参考。
Aug, 2015
采用半监督学习方法来提高基于深度神经网络的自动语音识别中声学建模的性能,与无监督初始化后有监督微调不同,我们的方法通过小批量随机梯度下降同时利用未标记和标记数据,我们在TIMIT数据库上的基于帧的音素分类实验表明,该方法在等量标记数据和标准有监督训练相比表现更好,并且与基于图的半监督学习技术的最新误差率相比具有竞争力。
Oct, 2016
本研究提出了一种完全无监督的学习算法,可在不使用标记数据的情况下训练语音识别系统,其关键在于使用音位语言模型和输入话语。该算法在解决两个子问题(即学习给定音位划分边界下的音位分类器和更新音位边界)上交替进行,并在TIMIT数据集上获得了令人满意的性能提升。
Dec, 2018
本篇论文提出了一种新的方法,DiffRes,它通过不同iable temporal resolution 学习来改善音频分类模型的性能。该方法可以在减少计算成本的同时实现与固定分辨率mel-spectrogram 相同或更好的分类准确性。
Oct, 2022
本文提出了一个多尺度音频谱图变换器(MAST),用于音频分类和自监督学习,在LAPE基准测试上,相较于Audio Spectrogram Transformer(AST)和SSAST,MAST和SS‐MAST具有更高的性能,并已将所有代码公开在GitHub上。
Nov, 2022
该论文提出了一种基于 Transformer编码器的音频分类模型,使用MFCCs作为输入特征,经过 ESC-50, Speech Commands v0.02, 和 UrbanSound8k 数据集的测试,获得了最高达 95.2% 的精度和轻量级的模型参数,是一种高效的音频分类方法。
Apr, 2023