目標話者音声活動検出:Dinner Partyシナリオにおけるマルチ話者ダイアライゼーションのための新しい手法【JST・京大機械翻訳】

Medennikov Ivan; Korenevsky Maxim; Prisyach Tatiana; Khokhlov Yuri; Korenevskaya Mariya; Sorokin Ivan; Timofeeva Tatiana; Mitrofanov Anton; Andrusenko Andrei; Podluzhny Ivan; Laptev Aleksandr; Romanenko Aleksei

プレプリント

J-GLOBAL ID：202202203207324151 整理番号：22P0147350

目標話者音声活動検出:Dinner Partyシナリオにおけるマルチ話者ダイアライゼーションのための新しい手法【JST・京大機械翻訳】

Target-Speaker Voice Activity Detection: a Novel Approach for Multi-Speaker Diarization in a Dinner Party Scenario

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (12件)： , , , , , , , , , , ,
資料名：
発行年： 2020年05月14日プレプリントサーバーでの情報更新日： 2020年07月27日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

実生活シナリオのための話者ダイラリゼーションは非常に挑戦的な問題である。広く使用されたクラスタリングベースのダイラリゼーション手法は,重複する音声を扱う限られた能力のため,そのような条件でかなり劣っている。著者らは,各時間フレーム上の各話者の活動を直接予測する,新しいターゲット-話者音声活性検出(TS-VAD)アプローチを提案した。TS-VADモデルは,入力として各話者に対するiベクトルと共に,従来の音声特徴(例えばMFCC)を取る。二値分類出力層のセットは各話者の活動を生成する。Iベクトルは反復的に推定でき,強いクラスタリングベースダイラリゼーションから始まる。また,単一チャネルTS-VADモデルから抽出される隠れ表現のトップに関する簡単な注意機構を用いて,TS-VADアプローチをマルチマイクロホンケースに拡張した。さらに,予測話者活動確率に対する後処理戦略を検討した。CHiME-6非セグメンテーションデータに関する実験は,TS-VADがベースラインxベクトルベースシステムよりも30%以上のDiarization誤り率(DER)absを凌駕する最先端の結果を達成することを示した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

音声処理 , パターン認識

, , , , , , ,

前のページに戻る