电气工程与系统科学 > 音频与语音处理
[提交于 2025年9月3日
(v1)
,最后修订 2025年9月4日 (此版本, v2)]
标题: 基于不确定性感知的Whisper嵌入和sLSTM的语音可懂度评估
标题: Speech Intelligibility Assessment with Uncertainty-Aware Whisper Embeddings and sLSTM
摘要: 非侵入式语音可懂度预测由于说话人差异、噪声条件和主观感知的多样性而仍然具有挑战性。 我们提出了一种考虑不确定性的方法,该方法结合Whisper嵌入和统计特征,特别是跨嵌入维度计算的均值、标准差和熵。 通过特征维度上的softmax计算得到的熵作为不确定性的代理,补充了由均值和标准差捕获的全局信息。 为了建模语音的序列结构,我们采用了一个标量长短期记忆(sLSTM)网络,该网络能够高效地捕捉长距离依赖关系。 在此基础上,我们提出了iMTI-Net,一种改进的多目标可懂度预测网络,在多任务学习框架中集成了卷积神经网络(CNN)和sLSTM组件。 它联合预测人类可懂度分数以及来自Google ASR和Whisper的基于机器的词错误率(WER)。 实验结果表明,iMTI-Net在多个评估指标上优于原始的MTI-Net,证明了引入考虑不确定性的特征以及CNN-sLSTM架构的有效性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.