2020年，TinyLSTMs如何实现高效助听器神经语音增强？

本文共计7017个文字，预计阅读时间需要29分钟。

TinyLSTMs：助听器的有效神经语音增强音视频地址：https://github.com/Bose/efficient-neural-speech-enhancement参考文献：Fedorov I，Stamenovic M，Jensen C，et al. TinyLSTMs: Efficient neural speech enhancement[J]. 2023.

论文地址：TinyLSTMs：助听器的高效神经语音增强

音频地址：github.com/Bose/efficient-neural-speech-enhancement

引用格式：Fedorov I，Stamenovic M，Jensen C，et al. TinyLSTMs：Efficient neural speech enhancement for hearing aids[J]. arXiv preprint arXiv：2005.11138，2020.

摘要

　　现代语音增强算法利用大量递归神经网络(RNNs)实现了显著的噪声抑制。然而，大型RNN限制了助听器硬件(hearing aid hardware，HW)的实际部署，这些硬件是电池供电的，运行在资源受限的微控制器单元(microcontroller units，MCU)上，内存和计算能力有限。在这项工作中，我们使用模型压缩技术来弥补这一差距。我们在HW上对RNN施加约束，并描述了一种方法来满足它们。虽然模型压缩技术是一个活跃的研究领域，但我们是第一个证明其有效性的RNN语音增强，使用剪裁和权重/激活的整型量化。我们还演示了状态更新跳跃，它可以减少计算负载。最后，我们对压缩模型进行感知评估，人类评分员对语音进行打分。