2021年的论文翻译有哪些新进展？
- 内容介绍
- 文章标签
- 相关推荐
本文共计6710个文字，预计阅读时间需要27分钟。
论文地址：https://arxiv.53yu.com/abs/2106.07577：基于F-T-LSTM的复杂网络联合声学去除和语音增强摘要：本文提出了一种基于F-T-LSTM的复杂网络联合声学去除和语音增强方法。该方法针对语音频通和在线会议的需求，增加了日收益，包括噪声、混响和非线性失真在内。
论文地址：arxiv.53yu.com/abs/2106.07577
基于 F-T-LSTM 复杂网络的联合声学回声消除和语音增强 摘要随着对音频通信和在线会议的需求日益增加，在包括噪声、混响和非线性失真在内的复杂声学场景下，确保声学回声消除（AEC）的鲁棒性已成为首要问题。尽管已经有一些传统的方法考虑了非线性失真，但它们对于回声抑制仍然效率低下，并且在存在噪声时性能会有所衰减。在本文中，我们提出了一种使用复杂神经网络的实时 AEC 方法，以更好地建模重要的相位信息和频率时间 LSTM (F-T-LSTM)，它扫描频率和时间轴，以实现更好的时间建模。此外，我们利用修改后的 SI-SNR 作为损失函数，使模型具有更好的回声消除和噪声抑制 (NS) 性能。仅使用 140 万个参数，所提出的方法在平均意见得分 (MOS) 方面优于 AEC challenge 基线 0.27。
本文共计6710个文字，预计阅读时间需要27分钟。
论文地址：https://arxiv.53yu.com/abs/2106.07577：基于F-T-LSTM的复杂网络联合声学去除和语音增强摘要：本文提出了一种基于F-T-LSTM的复杂网络联合声学去除和语音增强方法。该方法针对语音频通和在线会议的需求，增加了日收益，包括噪声、混响和非线性失真在内。
论文地址：arxiv.53yu.com/abs/2106.07577
基于 F-T-LSTM 复杂网络的联合声学回声消除和语音增强 摘要随着对音频通信和在线会议的需求日益增加，在包括噪声、混响和非线性失真在内的复杂声学场景下，确保声学回声消除（AEC）的鲁棒性已成为首要问题。尽管已经有一些传统的方法考虑了非线性失真，但它们对于回声抑制仍然效率低下，并且在存在噪声时性能会有所衰减。在本文中，我们提出了一种使用复杂神经网络的实时 AEC 方法，以更好地建模重要的相位信息和频率时间 LSTM (F-T-LSTM)，它扫描频率和时间轴，以实现更好的时间建模。此外，我们利用修改后的 SI-SNR 作为损失函数，使模型具有更好的回声消除和噪声抑制 (NS) 性能。仅使用 140 万个参数，所提出的方法在平均意见得分 (MOS) 方面优于 AEC challenge 基线 0.27。