Speaker Recognition from Raw Waveform with SincNet

[icoxfog417]

一言でいうと

音声を処理するCNNで、生の音声を処理する1層目を意図的にバンドパスフィルタを模すことで(フィルタする周波数領域は学習させるようにする)話者特定の精度と速度を上げた研究。具体的にはHamming windowをかけてFFT=>フィルタ適用=>逆FFTで元に戻す(窓関数は他のでもあまり大差ないらしい)。

論文リンク

https://arxiv.org/abs/1808.00158

著者/所属機関

Mirco Ravanelli, Yoshua Bengio

• Mila, Universite de Montreal
• CIFAR Fellow

投稿日付(yyyy/MM/dd)

2018/7/29

概要

新規性・差分

手法

結果

コメント