Blind Extraction of Target Speech Source: Three ways of Guidance Exploiting Supervised Speaker Embeddings
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24220%2F22%3A00009854" target="_blank" >RIV/46747885:24220/22:00009854 - isvavai.cz</a>
Výsledek na webu
<a href="https://asap.ite.tul.cz/wp-content/uploads/sites/3/2022/08/paper_16.pdf" target="_blank" >https://asap.ite.tul.cz/wp-content/uploads/sites/3/2022/08/paper_16.pdf</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/IWAENC53105.2022.9914778" target="_blank" >10.1109/IWAENC53105.2022.9914778</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Blind Extraction of Target Speech Source: Three ways of Guidance Exploiting Supervised Speaker Embeddings
Popis výsledku v původním jazyce
The manuscript deals with the robust extraction of a speaker of interest (SOI) from a mixture of audio sources. A blind algorithm based on independent vector extraction (IVE) is used, which, by definition, extracts an arbitrary source. To focus the extraction towards the SOI, a prior knowledge identifying the target source is required. To this end, the manuscript exploits speaker-identification based on embedding features computed via a pretrained forward sequential memory network (FSMN). We introduce and experimentally validate three ways how this prior knowledge can be employed in a blind algorithm, namely, speaker-specific initialization, pilot signal, and supervised deflation of the mixture. The experiments show that the proposed techniques complement each other and lead to robust identification/extraction of the SOI in difficult mixtures of three speakers.
Název v anglickém jazyce
Blind Extraction of Target Speech Source: Three ways of Guidance Exploiting Supervised Speaker Embeddings
Popis výsledku anglicky
The manuscript deals with the robust extraction of a speaker of interest (SOI) from a mixture of audio sources. A blind algorithm based on independent vector extraction (IVE) is used, which, by definition, extracts an arbitrary source. To focus the extraction towards the SOI, a prior knowledge identifying the target source is required. To this end, the manuscript exploits speaker-identification based on embedding features computed via a pretrained forward sequential memory network (FSMN). We introduce and experimentally validate three ways how this prior knowledge can be employed in a blind algorithm, namely, speaker-specific initialization, pilot signal, and supervised deflation of the mixture. The experiments show that the proposed techniques complement each other and lead to robust identification/extraction of the SOI in difficult mixtures of three speakers.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
International Workshop on Acoustic Signal Enhancement
ISBN
978-166546867-1
ISSN
—
e-ISSN
—
Počet stran výsledku
5
Strana od-do
—
Název nakladatele
IEEE
Místo vydání
—
Místo konání akce
Bamberg
Datum konání akce
1. 1. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000934046400073