noise-suppression-denseunet-ll-0001¶
ユースケースと概要説明¶
音声をクリーンにするノイズ抑制モデルです。モデル・アーキテクチャーは PoCoNet、チャネル・アテンション・デンス U-Net に似ていますが、モデルの複雑性を軽減し、処理速度を向上させるマルチヘッド・アテンション (MHA) がありません。また、処理されるパッチサイズを削減して遅延を小さくするため、時間軸に沿ったピラミッド構造が削減され、時間軸に沿った拡張を伴う畳み込みが使用されます。モデルは DNS-Challenge データセットの論文でトレーニングされました。ネットワークは 16kHz でサンプリングされたモノラルオーディオで動作します。オーディオは 128 サイズのパッチによって反復処理されます。各反復で 128 (8ms) サンプルを入力として受け取り、384 (24ms) サンプル遅延で 128 (8ms) サンプルを出力として返します。さらに、ネットワークでは処理をシームレスにするため 39 個の状態テンソルが必要です。最初の反復では、状態テンソルを 0 で埋める必要があります。反復の結果として、テンソルは前の反復の対応する出力から取得する必要があります。ノイズ抑制 CPP* デモを試して、その仕組みを確認してください。
精度¶
SISDR 品質メトリックは、DNS-Challenge データセットから 100 個の開発テスト合成音声クリップに基づいて計算されました。
メトリック |
値 |
---|---|
入力ノイズ信号用の SISDR |
11.7 dB |
出力クリーン信号用の SISDR |
20.0 dB |
SISDR の増加 |
+8.3 dB |
入力¶
シーケンスパッチ、名前: input
、形状: 1, 128
、形式: B, T
。
説明:
B
- バッチサイズT
- パッチ内のサンプル数
入力状態、名前: inp_state_*
、前のステップからの対応する out_state_*
を入力する必要があります。入力ステートの総数は 39 です。
出力¶
シーケンスパッチ、名前: output
、形状: 1, 128
、形式: B, T
。
説明:
B
- バッチサイズT
- パッチ内のサンプル数
注: 出力パッチは、時間的に 384 (24ms) サンプルずつ “シフト” されます。したがって、output[0,i] サンプルは input[0,i-384] サンプルと同期されます。
出力状態、名前: out_state_*
、次のステップで対応する inp_state_*
を埋めるために使用する必要があります。出力ステートの総数は 39 です。
次の出力の処理はオプションです。
出力スペクトル、名前: Y
、形状: 1, 2, 129, 1
、形式: B, C, F, T
。
説明:
B
- バッチサイズC
- 複素数値コンポーネントの数 (常に 2)F
- 周波数ビンの数T
- パッチ内のスペクトルの数
出力遅延、名前: delay
、形状: 1
、形式: C
。
説明:
-
C
- 遅延の数 (常に 1) これは便宜上提供されており、入力に対する出力の “シフト” が含まれています。このモデルでは 384 ですが、他のノイズ抑制モデルでは異なる場合があります。
法務上の注意書き¶
* その他の社名、製品名などは、一般に各社の表示、商標または登録商標です。