位置: IT常识 - 正文

ICASSP 2023论文模型开源|语音分离Mossformer(icse论文)

编辑:rootadmin
ICASSP 2023论文模型开源|语音分离Mossformer

推荐整理分享ICASSP 2023论文模型开源|语音分离Mossformer(icse论文),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:icic论文,icse论文,isscc2020论文,icse论文,icassp审稿周期,isscc2021论文下载,isscc2020论文,icassp2021论文集,内容如对您有帮助,希望把文章链接给更多的朋友!

人类能在复杂的多人说话环境中轻易地分离干扰声音,选择性聆听感兴趣的主讲人说话。但这对机器却不容易,如何构建一个能够媲美人类听觉系统的自动化系统颇具挑战性。

本文将详细解读ICASSP2023本届会议收录的单通道语音分离模型Mossformer论文,以及如何基于开发者自有数据进行该模型的调优训练。

▏语音分离模型能做什么?

由于麦克风采集的音频信号中除了主说话人之外,通常还包括噪声、其他人说话的声音、混响等干扰。语音分离的目标即是把独立的目标语音信号从混合的音频信号中分离出来。其应用范围不仅包括听力假体、移动通信、鲁棒的自动语音以及说话人识别等,最近也被广泛应用在各个语音方向的机器学习场景中。

根据干扰的不同,语音分离任务可以是单纯的多说话人分离,也可以包括噪声消除和解混响等附加任务。在没有噪声和混响的情况下,单纯的语音分离任务已经被研究了几十年,从最初的传统信号处理算法如独立分量分析(ICA)和非负矩阵分解(NMF),到最近的基于端到端深度神经网络(DNN)算法,算法的分离性能有了明显的进步。至今,语音分离仍然是一个高度活跃的研究领域,我们最新推出的MossFormer语音分离模型,是在现有深度学习算法的基础上,通过融入更先进的门控注意力机制和带记忆的深度卷积网络,从而更有效地对长语音序列进行建模和学习,大幅提升深度学习分离算法的性能。

目前比较流行的语音分离模型架构一般由三个主要组成模块:编码器、分离器和解码器。编码器的作用是将原始的语音信号转换为高维的表示,类似于傅立叶变换后的频谱信息,但使用的转换不是预先设定好的,而是通过训练模型自己学习到的。分离器的作用是根据输入的高维表示来估计语音的分量,并将其分离成多个独立的语音信号。解码器的作用是将分离出的语音信号重新编码成原始语音信号的形式。下图给出的是语音分离模型架构的示意图:

图1. 语音分离模型架构示意图

分离器模块是影响语音分离性能的关键模块,主要的架构包括深度卷积网络(例如:Conv-TasNet)、循环神经网络(例如:DPRNN),和Transformer(例如:SepFormer)等,其中基于自注意力机制的Transformer架构在最近的研究中表现出了很好的性能。利用自注意力机制可以有效地捕捉长距离的依赖关系,从而更好地建模语音信号。

与传统的循环神经网络相比,Transformer可以并行计算,提高了计算效率,同时也可以更好地避免梯度消失的问题。基于Transformer的架构在单声道语音分离任务中获得了显著的性能改进,但和最近给出的分离Cramer-Rao上限相比,仍存在明显差距,主要原因在于,由于注意力计算的二次复杂度,Transformer架构的自注意力受限于上下文长度。为了能够处理极长的输入序列,当前的Transformer模型使用双路径框架,将输入序列分成较小的块并分别处理块内和块间的信息,跨块的长距离信息依赖需要通过中间状态隐式建模,这一事实可能对长距离建模能力产生负面影响,导致模型次优表现。

▏2023 ICASSP-MossFormer模型

为了有效解决双路径架构中跨块间的间接元素交互问题,我们提出了一种基于联合自注意力的带门控单头Transformer语音分离模型架构,并使用卷积增强模块,命名为MossFormer(Monaural speech separation Transformer)。

MossFormer采用联合局部和全局自注意力架构,同时对局部段执行完整自注意力运算和对全局执行线性化低成本自注意力运算。联合注意力使MossFormer模型能够直接处理全序列元素交互,真正有效地捕捉长距离的依赖关系,解决双路径模型在远程元素交互的建模能力问题。此外,我们采用了强大的带注意力门控机制,可以使用大幅简化的单头自注意力,MossFormer除了关注长距离建模外,还使用深度卷积来帮助模型更好地处理局部的特征,从而提高模型的性能。相关工作已被语音顶会ICASSP 2023录用。

模型架构

MossFormer语音分离模型由一个卷积编码器-解码器结构和一个掩蔽网络组成(见图2)。编码器-解码器结构负责特征提取和波形重建,其中,编码器负责特征提取,由一维 (1D) 卷积层 (Conv1D) 和整流线性单元 (ReLU) 组成,后者将编码输出限制为非负值。解码器是一维转置卷积层,它使用与编码器相同的内核大小和步幅。 

图2. MossFormer模型整体结构示意图

掩码网络执行从编码器输出到𝐶组掩码的非线性映射,掩码网络的主组成部分是MossFormer模块,该模块是基于带卷积增强联合自注意力(convolution-augmented joint self-attentions)的门控单头自注意力架构(gated single-head transformer architecture )开发出来的。具体的,一个MossFormer 模块由四个卷积模块、缩放和偏移操作、联合局部和全局单头自注意力(SHSA)以及三个门控操作组成,负责进行长序列的处理。详细模块结构见图3。在MossFormer模块中,序列由卷积模块和注意力门控机制进行处理。卷积模块使用线性投影和深度卷积来处理序列。注意力门控机制执行联合局部和全局自注意力和门控操作。MossFormer模块仅学习残差部分并应用跳跃连接从输入连接到输出以提升训练效率。当前MossFormer块的输出被输入到下一个MossFormer块中。该过程被重复R次。

图3. MossFormer模块架构示意图

模型性能

我们在公开数据集WSJ0-2/3mix 和 WHAM!/WHAMR!上对模型进行了性能对比验证。WSJ0-2/3mix数据集是基于WSJ0数据语料库生成的。包括30小时的训练数据集、10小时的验证数据集、和5小时的测试集,混合语音是由随机选择的不同说话者的语音混合而成,混合语音按照-5 dB和5 dB随机信噪比(SNR)进行混合。该数据集包含2个和3个说话人,为纯净数据集,不含噪声和混响。

WHAM!数据集是在WSJ0-2mix数据集的基础上,通过进一步添加独特的环境噪声生成的,环境噪声主要包括从餐厅、咖啡馆、酒吧和公园录制的噪声。WHAMR! 数据集进一步扩展了WHAM!数据集,除了环境噪声之外,还为语音信号添加了人工混响效果。

ICASSP 2023论文模型开源|语音分离Mossformer(icse论文)

MossFormer模型与其它SOTA模型在公开数据集WSJ0-2mix/3mix和WHAM!/WHAMR!上的对比结果如下表 (模型算法引用标注沿用发表的论文引用顺序):

SI-SNR (Scale Invariant Signal-to-Noise Ratio) 尺度不变信噪比,是在普通信噪比基础上通过正则化消减信号变化导致的影响,是针对宽带噪声失真的语音增强算法的常规衡量方法。SI-SNRi (SI-SNR improvement) 是衡量对比原始混合语音,SI-SNR在分离后语音上的提升量。 

DM (Dynamic Mixing)是一种动态混合数据增强算法,用来补充训练数据的不足和提升模型训练的泛化能力。

结果对比

我们分别给出了小模型MossFormer(S)、中等模型MossFormer(M)、和大模型MossFormer(L)的结果。在WSJ0-2/3mix数据集上,除了具有10M参数的MossFormer(S)在WSJ0-2mix上表现稍差于具有29M参数的Wavesplit以外,我们的MossFormer模型结果优于之前所有模型的表现。使用数据增强后,MossFormer(L)在WSJ0-2mix/3mix上分别达到了22.8 dB和21.2 dB。不仅达到了Cramer-Rao分离上限,而且在WSJ0-2mix/3mix上取得了最新的SOTA结果。

在带噪和混响WHAM!到WHAMR!数据集上,MossFormer(M)和MossFormer(L)比以前的模型表现出更大的优势,MossFormer(L)分别在WHAM!和WHAMR!上取得了最新的SOTA结果。例如,MossFormer(L)相比于SepFormer,分别提升了0.9 dB和2.3 dB。由于WHAM!/WHAMR!数据集是在WSJ0-2mix的基础上引入额外的噪声和混响来构建的,因此,在WHAM!/WHAMR!上的分离任务变得更加困难,因为模型不仅需要处理语音分离,还需要进行降噪和去混响处理。我们观察到,混响对Wavesplit和SepFormer的影响比对MossFormer的影响更大,显示MossFormer得益于独特的联合自注意力架构和深度卷积处理,可以更好的学习局部特征模式和全局长距离依赖性,从而获得更佳的分离性能。

理论上,MossFormer模型框架可以支持任意多说话人和任意环境下的语音分离任务,我们在ModelScope上首先开放的是基于两个说话人的纯语音分离模型,其目的是让用户可以在较简单的分离任务上,更快速的搭建和测试我们的模型平台。

▏如何训练自有的语音分离模型?

第一步:训练您的模型

环境准备

ModelScope网站官方提供的Notebook环境已经安装好了所有依赖,能够直接开始训练。如果您要在自己的设备上训练,可以参考模型主页上的环境准备步骤操作。环境准备完成后建议运行模型主页上推理示例代码验证模型可以正常工作。

数据准备

魔搭社区上开放的模型使用约30小时2人混合语音作为训练数据。混合语音是基于WSJ0数据集生成的,由于WSJ0的License问题无法在这里分享。我们在ModelScope上提供了基于LibriSpeech数据集生成的混合音频,以便您快速开始训练。其中训练集包含约42小时语音,共13900条,大小约7G。请访问官网页面了解数据集详情,链接在文章末尾。

模型训练

以下列出的为训练示例代码,其中work_dir可以替换成您需要的路径。

数据训练一遍为一个epoch,默认共训练120个epoch,需要约10天。

import osfrom datasets import load_datasetfrom modelscope.metainfo import Trainersfrom modelscope.msdatasets import MsDatasetfrom modelscope.preprocessors.audio import AudioBrainPreprocessorfrom modelscope.trainers import build_trainerfrom modelscope.utils.audio.audio_utils import to_segmentwork_dir = './train_dir'if not os.path.exists(work_dir): os.makedirs(work_dir)train_dataset = MsDataset.load( 'Libri2Mix_8k', split='train').to_torch_dataset(preprocessors=[ AudioBrainPreprocessor(takes='mix_wav:FILE', provides='mix_sig'), AudioBrainPreprocessor(takes='s1_wav:FILE', provides='s1_sig'), AudioBrainPreprocessor(takes='s2_wav:FILE', provides='s2_sig') ], to_tensor=False)eval_dataset = MsDataset.load( 'Libri2Mix_8k', split='validation').to_torch_dataset(preprocessors=[ AudioBrainPreprocessor(takes='mix_wav:FILE', provides='mix_sig'), AudioBrainPreprocessor(takes='s1_wav:FILE', provides='s1_sig'), AudioBrainPreprocessor(takes='s2_wav:FILE', provides='s2_sig') ], to_tensor=False)kwargs = dict( model='damo/speech_mossformer_separation_temporal_8k', train_dataset=train_dataset, eval_dataset=eval_dataset, work_dir=work_dir)trainer = build_trainer( Trainers.speech_separation, default_args=kwargs)trainer.train()

第二步:评估你的模型

以下列出的为模型评估代码,其中work_dir必须是您训练时指定的路径。程序会搜索路径下的最佳模型并自动加载。

import osfrom datasets import load_datasetfrom modelscope.metainfo import Trainersfrom modelscope.msdatasets import MsDatasetfrom modelscope.preprocessors.audio import AudioBrainPreprocessorfrom modelscope.trainers import build_trainerfrom modelscope.utils.audio.audio_utils import to_segmentwork_dir = './train_dir'if not os.path.exists(work_dir): os.makedirs(work_dir)train_dataset = Noneeval_dataset = MsDataset.load( 'Libri2Mix_8k', split='test').to_torch_dataset(preprocessors=[ AudioBrainPreprocessor(takes='mix_wav:FILE', provides='mix_sig'), AudioBrainPreprocessor(takes='s1_wav:FILE', provides='s1_sig'), AudioBrainPreprocessor(takes='s2_wav:FILE', provides='s2_sig') ], to_tensor=False)kwargs = dict( model='damo/speech_mossformer_separation_temporal_8k', train_dataset=train_dataset, eval_dataset=eval_dataset, work_dir=work_dir)trainer = build_trainer( Trainers.speech_separation, default_args=kwargs)trainer.model.load_check_point(device=trainer.device)print(trainer.evaluate(None))

相关链接

语音分离模型地址:https://modelscope.cn/models/damo/speech_mossformer_separation_temporal_8k/summary

LibriSpeech 2人混合8K音频数据集:

https://modelscope.cn/datasets/modelscope/Libri2Mix_8k/summary

WSJ0数据集:

https://catalog.ldc.upenn.edu/LDC93s6a

WSJ0-mix脚本:

https://github.com/mpariente/pywsj0-mix

References

Shengkui Zhao and Bin Ma, “MossFormer: Pushing the Performance Limit of Monaural Speech Separation using Gated Single-head Transformer with Convolution-augmented Joint Self-Attentions”, accepted by ICASSP 2023.

本文链接地址:https://www.jiuchutong.com/zhishi/299396.html 转载请保留说明!

上一篇:如何快速上手Vue框架?(如何快速上手看门狗2)

下一篇:CSS给元素添加边框(样式、颜色、宽度)(css给div加边框)

  • QQ 群推广的8个常用方法(qq群适合推广什么)

    QQ 群推广的8个常用方法(qq群适合推广什么)

  • 苹果手表怎么换壁纸(苹果手表怎么换左右手模式)

    苹果手表怎么换壁纸(苹果手表怎么换左右手模式)

  • 闲鱼订单怎么删除(闲鱼订单怎么删不掉)

    闲鱼订单怎么删除(闲鱼订单怎么删不掉)

  • 微信通话如何自动录音(微信通话如何自动开启扬声器)

    微信通话如何自动录音(微信通话如何自动开启扬声器)

  • 物联网的含义是什么(物联网的含义是什么意思,写写你对互联网的认识)

    物联网的含义是什么(物联网的含义是什么意思,写写你对互联网的认识)

  • oppoa11x有nfc功能吗(oppoa11x怎么打开nfc)

    oppoa11x有nfc功能吗(oppoa11x怎么打开nfc)

  • 车票信息已过期什么意思(12306车票信息已过期什么意思)

    车票信息已过期什么意思(12306车票信息已过期什么意思)

  • 微信怎么倒到另一个手机聊天记录也在(微信怎么导入到另一个微信里)

    微信怎么倒到另一个手机聊天记录也在(微信怎么导入到另一个微信里)

  • 苹果耳机离线能定位吗(苹果耳机离线怎么找回)

    苹果耳机离线能定位吗(苹果耳机离线怎么找回)

  • 手机停机多久会销号(手机停机多久号码会被收回)

    手机停机多久会销号(手机停机多久号码会被收回)

  • 为什么手机亮度不稳定忽暗忽亮(为什么手机亮度调到最高还是很暗)

    为什么手机亮度不稳定忽暗忽亮(为什么手机亮度调到最高还是很暗)

  • 抖音视频别人怎么保存不了(抖音视频别人怎么才能看到是谁分享的)

    抖音视频别人怎么保存不了(抖音视频别人怎么才能看到是谁分享的)

  • cd和dvd是一样的吗(dvd和cd一样吗)

    cd和dvd是一样的吗(dvd和cd一样吗)

  • 盲插数据线接口叫什么(盲插数据线是什么)

    盲插数据线接口叫什么(盲插数据线是什么)

  • 手机如何关闭安全模式(手机如何关闭安全防护)

    手机如何关闭安全模式(手机如何关闭安全防护)

  • 抖音已重置怎么恢复(抖音重置怎么弄)

    抖音已重置怎么恢复(抖音重置怎么弄)

  • 抖音怎么只设置一个市(抖音怎么只设置城市)

    抖音怎么只设置一个市(抖音怎么只设置城市)

  • 苹果短信没有回声效果(苹果手机短信回声效果看不到)

    苹果短信没有回声效果(苹果手机短信回声效果看不到)

  • 苏明玉用的是什么手机(苏明玉用的是什么武器)

    苏明玉用的是什么手机(苏明玉用的是什么武器)

  • jetty和tomcat的区别(tomcat和jvm)

    jetty和tomcat的区别(tomcat和jvm)

  • windows10如何进入安全模式(windows10如何进入dos)

    windows10如何进入安全模式(windows10如何进入dos)

  • 阿尔高阿尔卑斯山脉的Schrecksee湖,德国巴伐利亚 (© Andreas Hagspiel/EyeEm/Getty Images)(阿尔卑斯山百度百科)

    阿尔高阿尔卑斯山脉的Schrecksee湖,德国巴伐利亚 (© Andreas Hagspiel/EyeEm/Getty Images)(阿尔卑斯山百度百科)

  • 出口免税进项税额转出怎么计算
  • 出租的土地使用权是无形资产吗
  • 权益法下被投资企业净资产增加
  • 非货币资产交换的会计处理原则
  • 复利现值系数完整版
  • 广告费怎么入账
  • 一般纳税人可以开普票吗
  • 杨志勇财政
  • 公司小汽车多少年报废
  • 未抵扣完的进项税计入待抵扣
  • 科研项目经费怎么填
  • 收购公司收购款转给谁
  • 单独出售的包装物是否属于包装物的核算范围
  • 增值税总分机构可以汇总纳税吗
  • 小规模农产品可以抵扣吗
  • 所得税申报表本期金额上期金额指什么
  • 银行有流水但是没有开票怎么做账
  • 废旧物资回收企业税收管理
  • windows11进入桌面黑屏
  • 以前年度应收账款无法收回
  • 财务软件上线需注意什么
  • 资本公积转增资本要交税吗
  • 马齿笕对什么病最有效?
  • 什么是实际成本计价
  • 海关进口增值税如何入账
  • 赤狐 (© Yossi Eshbol/Minden Pictures)
  • 房屋租赁费发票备注栏需要写什么?
  • 企业应付账款的会计分录
  • thinkphp框架入门
  • 注意力机制cbam
  • vue导航解析流程
  • _ html
  • 固定资产清理怎么入账
  • 帝国cms安装教程
  • python 函数 global
  • 土地增值税清算的条件
  • 国家为什么要征收各种税
  • 办公费用开专票可以抵扣吗
  • 对方发票丢了能红冲重开吗
  • 应收票据和其他应收款的区别
  • win10下安装win7启动不了
  • sql2008数据库维护计划
  • 金税四期对会计人员要求高吗
  • 对公账户一直没有对账,会有什么后果吗?
  • 工会经费计入什么项目流量表
  • 成品油购进数据选择没有发票
  • 老板买了手机,算入什么费用
  • 怎么看发票的凭证号
  • 国家也通过国有企业利用自己的财政资金
  • vs2010安装失败的解决办法
  • sql server 不存在或者拒绝访问
  • centos cmake安装
  • win8系统连接网络
  • win10预览版选哪个
  • xp安全模式怎么用
  • win2003网络设置
  • 如何设置linux
  • windows8如何安装
  • mac更新系统版本
  • windowsxp忘了登录密码
  • centos设置永不待机
  • 不用第三方软件获取鼠标坐标
  • 怎么取消win10通知消息
  • linux集群的作用和意义
  • windows10离线地图
  • windows7怎么解除密码
  • win7适用ie几
  • linux vmware命令行
  • Unity3D中Javascript的基本使用与介绍详解
  • 常用标准化布局标签有哪些?
  • css ul
  • 可交互原型是什么
  • (转)Unity3D NGUI在UI上显示3D模型
  • js定义数字
  • python特性和属性
  • a类棉b类棉c类的区别
  • 133平房子公摊36.88
  • 票种核定在电子税务哪里查
  • 河北省税务局稽查局领导班子
  • 山东地税app
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设