On the Use of Audio Fingerprinting Features for Speech Enhancement with Generative Adversarial Network
Bibliographic record
Abstract
Récemment, avec l'avènement de méthodes basées sur l'apprentissage dans l'amélioration de la parole, le besoin de de caractéristiques d'apprentissage robustes et fiables qui peuvent représenter de manière compacte les signaux vocaux tout en préservant leurs informations vitales a été ravivé. Les caractéristiques du domaine temps-fréquence, telles que la transformée de Fourier à court terme (STFT) et les coefficients cepstraux Mel-Frequency (MFCC), sont préférées dans de nombreuses approches. Ils représentent le signal vocal dans un format plus compact et contiennent à la fois des informations temporelles et fréquentielles. Par rapport à STFT, les MFCC nécessitent moins de mémoire et réduisent considérablement le temps d'apprentissage et la complexité en supprimant les redondances dans les données d'entrée.Les MFCC, qui font partie de la famille de caractéristiques de type Audio FingerPrinting (AFP), offrent une représentation compacte, mais ils ignorent la dynamique et la distribution de l'énergie dans chaque sous-bande à l'échelle mel.Dans cette thèse, un système d'amélioration de la parole à la pointe de la technologie basé sur le Generative Adversarial Network (GAN) est mis en œuvre et testé avec une nouvelle combinaison de deux types de caractéristiques AFP, soit les MFCC et les centroides normalisés de sous-bandes spectrales (NSSC). Les NSSC capturent les emplacements des formants de parole et complémentent ainsi MFCC d'une manière cruciale. Dans des expériences avec divers locuteurs et types de bruit, l'amélioration de la parole basée sur GAN avec la combinaison de caractéristiques AFP proposée atteint les meilleures performances en termes de mesures objectives, à savoir PESQ, STOI et SDR, tout en réduisant la complexité de la mise en œuvre, les besoins en mémoire et le temps d'apprentissage
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".