OPPO小布助手5篇論文入選國際語音頂會Interspeech 2023

近日，語音技術(shù)領(lǐng)域國際會議Interspeech公布了本屆論文審稿結(jié)果，OPPO小布智能中心智能交互部語音技術(shù)組有5篇論文被大會收錄。本次被接收的論文研究方向涵蓋語音識別、模型壓縮、目標(biāo)說話人提取、語音鑒偽、異常聲音檢測等。

Interspeech是國際語音通信協(xié)會（International Speech Communication Association, ISCA）舉辦的年度會議，也是全球最大、最全面的專注于語音通信領(lǐng)域的學(xué)術(shù)盛會。Interspeech會議已成為該領(lǐng)域中來自各行各業(yè)的專家、研究人員、學(xué)生等，共同探討、交流和分享前沿的語音技術(shù)、認(rèn)知和創(chuàng)新的聚集地。本屆Interspeech會議將于2023年8月20日至8月24日于愛爾蘭都柏林舉辦。

論文題目：Multi-Channel Multi-Speaker Transformer for Speech Recognition

論文作者：郭一凡，田垚，索宏彬，萬玉龍

論文單位：OPPO

核心內(nèi)容：隨著線上會議和車載語音助手的發(fā)展，遠(yuǎn)場多說話人語音識別已經(jīng)成為了一個熱門的研究課題。近日，研究人員提出了一種多通道Transformer結(jié)構(gòu)（Multi-Channel Transformer, MCT）。這一工作證明了Transformer結(jié)構(gòu)具有建模遠(yuǎn)場聲學(xué)環(huán)境的能力。然而，當(dāng)存在多個說話人同時發(fā)聲時，說話人之間存在的相互干擾，會導(dǎo)致MCT無法直接從多人混合音頻中直接為每個說話人編碼出對應(yīng)的高維聲學(xué)特征。基于此，我們在本文中提出了多通道多說話人Transformer語音識別結(jié)構(gòu)。在SMS-WSJ開源數(shù)據(jù)集上的實(shí)驗(yàn)顯示，我們提出的結(jié)構(gòu)相較于基于神經(jīng)網(wǎng)絡(luò)波束形成器（Neural Beamformer），MCT，具有轉(zhuǎn)換平均連接的雙路徑RNN（Dual-Path RNN with
Transform-Average-Concatenate）以及多通道深度聚類（Multi-Channel Deep Clustering）的方法，識別詞錯率分別下降了相對9.2%, 14.3%, 24.9%和52.2%。

論文題目：Task-Agnostic Structured Pruning of Speech Representation Models

論文作者：王皓宇，王思遠(yuǎn)，張衛(wèi)強(qiáng)，萬玉龍

論文單位：清華大學(xué)，OPPO

核心內(nèi)容：近年來，基于無監(jiān)督預(yù)訓(xùn)練技術(shù)的語音表征模型為許多語音任務(wù)帶來了顯著的進(jìn)步，但另一方面，這些模型通常包括大量的參數(shù)，對硬件平臺的計算能力和內(nèi)存空間有很高的要求。為了將大模型部署到生產(chǎn)環(huán)境，模型壓縮技術(shù)至關(guān)重要。結(jié)構(gòu)化剪枝不需要特殊硬件就可以實(shí)現(xiàn)參數(shù)壓縮和推理加速，是一種對硬件友好的模型壓縮方法，但同時也會帶來較大的性能損失。為了彌補(bǔ)性能損失，我們提出了一種細(xì)粒度的注意力頭剪枝方法；除此之外，我們將梯度直通估計（Straight Through Estimator，STE）引入到L0正則化剪枝方法中，讓模型參數(shù)的分布更加緊湊，從而實(shí)現(xiàn)了進(jìn)一步的加速。我們在SUPERB排行榜上的實(shí)驗(yàn)表明，我們的壓縮模型比Wav2vec 2.0 Base模型平均性能更好，同時參數(shù)量比前者減少30%，推理時間比前者減少50%。

論文題目：SEF-Net: Speaker Embedding Free Target Speaker Extraction Network

論文作者：曾邦，索宏彬，李明

論文單位：武漢大學(xué)，昆山杜克大學(xué)，OPPO

核心內(nèi)容：主流的目標(biāo)說話人分離方法使用目標(biāo)人的聲紋embedding作為參考信息。獲取聲紋embedding的方式主要有兩種：一是使用預(yù)訓(xùn)練的說話人識別模型進(jìn)行聲紋提取，二是采用多任務(wù)學(xué)習(xí)聯(lián)合訓(xùn)練說話人識別模型來提取聲紋。然而，由這兩種方案的聲紋提取模塊都是面向說話人識別任務(wù)進(jìn)行最優(yōu)化訓(xùn)練的，所提取的聲紋embedding對于目標(biāo)說話人分離任務(wù)可能并不是最優(yōu)的。本文提出一種新穎的、不依賴于聲紋embedding的時域目標(biāo)說話人分離網(wǎng)絡(luò)SEF-Net。SEF-Net在Transformer解碼器中使用跨多頭注意力來隱式地學(xué)習(xí)注冊語音的Conformer編碼輸出中的說話人信息并進(jìn)行目標(biāo)說話人分離。實(shí)驗(yàn)結(jié)果表明，SEF-Net與其他主流目標(biāo)說話人提取模型相比具有可比性的性能。SEF-Net為在不使用預(yù)訓(xùn)練說話人識別模型或說話人識別損失函數(shù)的情況下進(jìn)行目標(biāo)說話人提取提供了新的可行方案。

論文題目：Robust Audio Anti-Spoofing Countermeasure with Joint Training of Front-End and Back-End Models

論文作者：王興明，曾邦，萬玉龍，李明

論文單位：武漢大學(xué)，昆山杜克大學(xué)，OPPO

核心內(nèi)容：很多語音信號處理系統(tǒng)的準(zhǔn)確性和可靠性在噪聲環(huán)境下往往會急劇下降。本文討論了在噪聲環(huán)境中的魯棒偽造語音檢測方法構(gòu)建。首先，我們嘗試使用預(yù)訓(xùn)練的語音增強(qiáng)模型作為前端模型，并構(gòu)建級聯(lián)系統(tǒng)。然而，增強(qiáng)模型的獨(dú)立降噪過程可能會扭曲語音合成產(chǎn)生的偽影或抹除包含在語音中的與偽造相關(guān)信息，進(jìn)而導(dǎo)致偽造語音檢測性能下降。因此，本文提出了一種新的前端語音增強(qiáng)與后端偽造語音檢測聯(lián)合訓(xùn)練的框架，來實(shí)現(xiàn)對噪聲場景魯棒的偽造語音檢測模型構(gòu)建。所提出的聯(lián)合訓(xùn)練框架在帶噪場景的ASVSpoof 2019 LA數(shù)據(jù)集和FAD數(shù)據(jù)集上均驗(yàn)證了比樸素的偽造語音檢測后端更加有效。此外，本文還提出了一種交叉聯(lián)合訓(xùn)練方案，使單個模型的性能可以達(dá)到不同模型得分融合的結(jié)果，從而使聯(lián)合框架更加有效和高效。

論文題目：Outlier-aware Inlier Modeling and Multi-scale Scoring for Anomalous Sound Detection via Multitask Learning

論文作者：章羽聰，索宏彬，萬玉龍，李明

論文單位：昆山杜克大學(xué)、OPPO

核心內(nèi)容：本文提出了一種異常聲音檢測方法，通過多任務(wù)學(xué)習(xí)將異常樣本曝光（outlier exposure）和內(nèi)部建模（inlier modeling）融合在一個統(tǒng)一的框架內(nèi)?；诋惓颖酒毓獾姆椒梢杂行У靥崛√卣鳎漪敯粜杂写岣?。內(nèi)部建模能夠生成魯棒的特征，但這些特征的效果并不理想。最近，一些串行和并行方法被提出來將這兩種方法結(jié)合起來，但它們都需要額外的步驟完成模型建模。這對于模型的訓(xùn)練和維護(hù)都造成了一些不便。為了克服這些限制，我們使用多任務(wù)學(xué)習(xí)的方法訓(xùn)練了一個基于Conformer的編碼器，用于異常感知的內(nèi)部建模。此外，我們的方法在進(jìn)行推理的時候考慮了多尺度的異常打分，可以更加全面的評估異常值。在MIMII和DCASE 2020任務(wù)2數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，我們的方法優(yōu)于最先進(jìn)的單模型系統(tǒng)，并且與比賽中排名靠前的多系統(tǒng)集成模型有相當(dāng)?shù)哪芰Α?/p>