日本語のタイトル#
ノイズ参照を伴う音声分離におけるスケール不変信号対歪み比の研究
英語のタイトル#
A Study of the Scale Invariant Signal to Distortion Ratio in Speech Separation with Noisy References
日本語の要約#
本論文では、トレーニング参照にノイズが含まれる場合（事実上のベンチマークデータセット WSJ0-2Mix のように）に、監視された音声分離においてスケール不変信号対雑音比（SI-SDR）を評価およびトレーニングの目的として使用することの意味を検討します。ノイズ参照を伴う SI-SDR の導出は、ノイズが達成可能な SI-SDR を制限するか、分離出力に不要なノイズを引き起こすことを示しています。この問題に対処するために、参照を強化し、WHAM! を使用して混合信号を増強する方法が提案され、ノイズ参照を学習しないモデルをトレーニングすることを目指しています。これらの強化データセットでトレーニングされた 2 つのモデルは、非侵入型 NISQA.v2 メトリックを使用して評価されます。結果は分離された音声のノイズが減少したことを示していますが、参照を処理することがアーティファクトを引き起こし、全体的な品質の向上を制限する可能性があることを示唆しています。WSJ0-2Mix および Libri2Mix テストセットにおいて、すべてのモデルの SI-SDR と知覚ノイズとの間に負の相関が見られ、導出から得られた結論を裏付けています。
英語の要約#
This paper examines the implications of using the Scale-Invariant Signal-to-Distortion Ratio (SI-SDR) as both evaluation and training objective in supervised speech separation, when the training references contain noise, as is the case with the de facto benchmark WSJ0-2Mix. A derivation of the SI-SDR with noisy references reveals that noise limits the achievable SI-SDR, or leads to undesired noise in the separated outputs. To address this, a method is proposed to enhance references and augment the mixtures with WHAM!, aiming to train models that avoid learning noisy references. Two models trained on these enhanced datasets are evaluated with the non-intrusive NISQA.v2 metric. Results show reduced noise in separated speech but suggest that processing references may introduce artefacts, limiting overall quality gains. Negative correlation is found between SI-SDR and perceived noisiness across models on the WSJ0-2Mix and Libri2Mix test sets, underlining the conclusion from the derivation.
文章ページ#
ノイズ参照を伴う音声分離におけるスケール不変信号対歪み比の研究
PDF 取得#
抖音でスキャンしてさらに素晴らしいコンテンツを確認