版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
多说话人分离技术及应用进展2024.3纲
要1.研究背景2.工业版本—模块化系统3.
改进方案4.落地应用1.研究背景多说话人分离(说话人日志):给定一个包含多人交替说话的语音,系统需要判断每个时间段是谁在说话。音频分割信息多说话人分离系统1.研究背景应用场景:会议纪要,多说话人转录,智能客服,录音质检等
...终端设备:录音笔智能手机个人电脑支持厂商:科大讯飞(智能办公本)、(AI纪要)、声云(语音转写)
...1.研究背景DIHARD(I,II,III)CHiME-6VoxSRC(20,21,22,23)AliMeetingRichTranscription(RT)MIXER62013CALLHOMEAMI竞赛/数据集M2MeT,
AISHELL-4
M2MeT2.0,
CHiME-7200020022006
2009201820192020202120222023模块化架构架构端到端架构研究趋势:简单场景→复杂场景挑战:噪声干扰,人数未知,语音重叠等应用:离线=>在线,单麦克风=>多麦克风,适配新场景1.研究背景—模块化系统聚类方法:AHC[1]、SC
[2,3]
、VB
/VBx
[4,5]
、UIS-RNN
[6]
、DNC
[7][1]
K.
C.
Gowda
and
G.
Krishna,
“Agglomerative
Clustering
Using
the
Concept
of
Mutual
Nearest
Neighbourhood,”
Pattern
Recognition,
vol.
10,
pp.
105–112,
1978.[2]
U.
von
Luxburg,
“A
tutorial
on
spectral
clustering,”
Statistics
and
Computing,
vol.
17,
pp.
395–416,
2007.[3]
T.
Park,
Kyu
J.
Han,
Manoj
Kumar,
and
Shrikanth
S.
Narayanan,
“Auto-tuning
Spectral
Clustering
for
Speaker
Diarization
Using
Normalized
Maximum
Eigengap,”
IEEE
SignalProcessing
Letters,
vol.
27,
pp.
381–385,
2020.[4]
M.
Diez,
L.
Burget,
S.
Wang,
J.
Rohdin,
H.
Cernocky,
“Bayesian
HMM
based
x-vector
Clustering
for
Speaker
Diarization,”
Interspeech,
2019,
pp.346-350.[5]
M.
Diez,
L.
Burget,
F.
Landini,
J.
Cernocky,
"Analysis
of
Speaker
Diarization
based
on
Bayesian
HMM
with
Eigenvoice
Priors,"
IEEE/ACM
Transactions
on
Audio
Speech
andLanguage
Processing,
vol.
28,
p
355-368,
2020.[6]
A.
Zhang,
Q.
Wang,
Z.
Zhu,
J.
Paisley,
and
C.
Wang,
“Fully
Supervised
Speaker
Diarization,”
ICASSP,
2019.[7]
Q.J.
Li,
F.
L.
Kreyssig,
C.
Zhang,
P.C.
Woodland,
“Discriminative
Neural
Clustering
for
Speaker
Diarisation,”
IEEE
Spoken
Language
Technology
Workshop
(SLT
2021),
Jan
2021,Shenzhen,
China.1.研究背景—端到端系统基于Bi-LSTM的端到端模型EEND[1]SA-EEND[2]基于Transformer
encoder的端到端模型端到端系统EDA-EEND[3]可以预测人数的EEND模型…TS-VAD[4]目标说话人音频端点检测模型[1]
Y.
Fujita,
N.
Kanda,
S.
Horiguchi,
K.
Nagamatsu,
and
S.
Watanabe,
“End-to-end
Neural
Speaker
Diarization
with
Permutation-free
Objectives,”
in
Interspeech,
2019,
pp.
4300–4304.[2]
Y.
Fujita,
N.
Kanda,
S.
Horiguchi,
Y.
Xue,
K.
Nagamatsu
and
S.
Watanabe,
“End-to-End
Neural
Speaker
Diarization
with
Self-Attention,”
2019
IEEE
Automatic
Speech
Recognitionand
Understanding
Workshop
(ASRU),
SG,
Singapore,
2019,
pp.
296-303.[3]
S.
Horiguchi,
Y.
Fujita,
S.
Watanabe,
Y.
Xue,
and
K.
Nagamatsu,
“End-to-end
speaker
diarization
for
an
unknown
number
of
speakers
with
encoder-decoder
based
attractors,”
inInterspeech,
2020,
pp.
269–273.[4]
I.
Medennikov,
M.
Korenevsky,
et
al.,
“Target-speaker
Voice
Activity
Detection:
a
Novel
Approach
for
Multi-speaker
Diarization
in
a
Dinner
Party
Scenario,”
arXiv,
vol.abs/2005.07272,
2020.1.研究背景—聚类算法汇总聚类算法AHC训练方式无监督聚类无监督聚类无监督聚类无监督聚类有监督聚类有监督聚类有监督聚类有监督聚类输入特征x-vectori-vectorx-vectorx-vectord-vectord-vector声学特征i-vector重叠检测不支持不支持不支持不支持不支持支持预测人数阈值VB初始化调节初始化调节阈值/NME适合2人VBxSCUIS-RNNDNC输出节点输出节点输出节点EENDTS-VAD支持支持在线版本:研究主要集中在EEND[1,2]或UIS-RNN[3,4]框架麦阵版本:多通道输入TS-VAD[5]或前后端联合优化特定场景:不同场景采用不同策略[6][1]
Y.
Xue,
S.
Horiguchi,
Y.
Fujita,
S.
Watanabe,
P.
Garcia,
and
K.
Nagamatsu,
“Online
end-to-end
neural
diarization
with
speaker-tracing
buffer,”
in
IEEE
Spoken
LanguageTechnology
Workshop
(SLT),
2021,
pp.
841–848.[2]
E.
Han,
C.
Lee,
and
A.
Stolcke,
“Bw-eda-eend:
Streaming
end-toend
neural
speaker
diarization
for
a
variable
number
of
speakers,”
in
ICASSP,
2021.[3]
E.
Fini
and
A.
Brutti,
“Supervised
online
diarization
with
sample
mean
loss
for
multi-domain
data,”
in
ICASSP,
2020,
pp.
7134–7138.[4]
X.
Wan,
K.
Liu,
H.
Zhou,
"Online
speaker
diarization
equipped
with
discriminative
modeling
and
guided
inference,”
in
Interspeech,
2021.[5]
I.
Medennikov,
M.
Korenevsky,
et
al.,
“Target-speaker
Voice
Activity
Detection:
a
Novel
Approach
for
Multi-speaker
Diarization
in
a
Dinner
Party
Scenario,”
arXiv,
vol.abs/2005.07272,
2020.[6]
Y.-X.
Wang,
J.
Du,
M.-K.
He,
S.-T.
Niu,
L.
Sun,
C.-H.
Lee,
"Scenario-dependent
speaker
diarization
for
DIHARD-III
challgenge,"
in
Interspeech,
2021.2.工业版本—模块化系统2.1
分割音频功能:转换为聚类问题2.工业版本—模块化系统2.2
提取说话人表征vectorvectorvector功能:提取段级别说话人表征2.工业版本—模块化系统2.3
聚类—凝聚层次聚类(AHC)AHC功能:对相同说话人片段聚类K.
C.
Gowda
and
G.
Krishna,
“Agglomerative
Clustering
Using
the
Concept
of
Mutual
Nearest
Neighbourhood,”
Pattern
Recognition,
vol.
10,
pp.
105–112,
1978.2.工业版本—模块化系统第一代产品(与ASV-Subtools*结合)语音端点检测*/Snowdar/asv-subtools说话人日志(SD)语音识别识别后处理(VAD)(ASR)说话人1说话人2说话人3说话人4原始音频算法流程:VAD->平均分割->Subtools提取x-vector->PCA降维->Cosine打分->AHC聚类2.工业版本—模块化系统存在问题—语音重叠说话人混叠:
目标区域是否发生了说话重叠?
谁和谁发生了重叠?图片和音频:https://herve.niderb.fr/fastpages/2022/10/23/One-speaker-segmentation-model-to-rule-them-all3.改进方案—神经网络分割解决办法:进行分段,每段用神经网络判断说话人,最多3人。图片:https://herve.niderb.fr/fastpages/2022/10/23/One-speaker-segmentation-model-to-rule-them-all3.改进方案—神经网络分割解决办法:进行分段,每段用神经网络判断说话人,最多3人。每5秒一段,窗移2.5秒图片:https://herve.niderb.fr/fastpages/2022/10/23/One-speaker-segmentation-model-to-rule-them-all3.改进方案—神经网络分割解决办法:进行分段,每段用神经网络判断说话人,最多3人。提取x-vector时,去除重叠语音,并合并同一人语音H.Bredin,
“Pyannote.audio
2.1speaker
diarization
pipeline:
principle,
benchmark,
and
recip
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026年hse管理体系培训试题培训及答案
- 冷作工技能鉴定考核试题库及答案
- 2026年甘州区上秦镇中心卫生院心电监护技术操作试题及答案
- 2027届安徽省安庆市名校数学七年级第一学期期末经典模拟试题含解析
- OSI七层模型高频面试题及详细答案(实战版)
- 建筑起重机械司机安全操作规程
- 人防地下室给排水防爆阀门安装方案
- 管廊支架安装及管线入廊方案
- 心房颤动导管消融围术期管理中国专家共识(2025版)
- 2026年幼师技能培训测试卷及答案
- 招商银行台州市临海市2025秋招金融科技岗笔试题及答案
- 船舶船员心理卫生指南
- 宫颈癌疫苗接种知识培训课件
- 检验室现场管理制度
- 无锡邑文微电子科技股份有限公司12寸半导体刻蚀薄膜沉积专用设备研发及产业化项目环评资料环境影响
- DB32/T 4031-2021建筑垃圾填筑路基设计与施工技术规范
- 国际民航组织空域分类教程课件
- 《热学(第二版)》杨体强编-李椿 第7章 固体学习资料
- 电力建设工程监理表格全集文档
- 预防职务犯罪专题讲座
- 雪铁龙DS6保养手册
评论
0/150
提交评论