Multiengine Speech Processing Using SNR Estimator in Variable Noisy Environments
Notice bibliographique
Résumé
We introduce a multiengine speech processing system that can detect the location and the type of audio signal in variable noisy environments. This system detects the location of the audio source using a microphone array; the system examines the audio first, determines if it is speech/nonspeech, then estimates the value of the signal to noise (<mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"><mml:mtext>SNR</mml:mtext></mml:math>) using a Discrete-Valued <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"><mml:mtext>SNR</mml:mtext></mml:math> Estimator. Using this <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"><mml:mtext>SNR</mml:mtext></mml:math> value, instead of trying to adapt the speech signal to the speech processing system, we adapt the speech processing system to the surrounding environment of the captured speech signal. In this paper, we introduced the Discrete-Valued <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"><mml:mtext>SNR</mml:mtext></mml:math> Estimator and a multiengine classifier, using Multiengine Selection or Multiengine Weighted Fusion. Also we use the <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"><mml:mtext>SI</mml:mtext></mml:math> as example of the speech processing. The Discrete-Valued <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"><mml:mtext>SNR</mml:mtext></mml:math> Estimator achieves an accuracy of 98.4% in characterizing the environment's <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"><mml:mtext>SNR</mml:mtext></mml:math>. Compared to a conventional single engine <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"><mml:mtext>SI</mml:mtext></mml:math> system, the improvement in accuracy was as high as 9.0% and 10.0% for the Multiengine Selection and Multiengine Weighted Fusion, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».