【AI视野·今日Sound 声学论文速览 第四十三期】Mon, 8 Jan 2024

AI视野·今日CS.Sound 声学论文速览
Mon, 8 Jan 2024
Totally 6 papers
上期速览✈更多精彩请移步主页

Daily Sound Papers

MusicAOG: an Energy-Based Model for Learning and Sampling a Hierarchical Representation of Symbolic Music Authors Yikai Qian, Tianle Wang, Xinyi Tong, Xin Jin, Duo Xu, Bo Zheng, Tiezheng Ge, Feng Yu, Song Chun Zhu 在解决人工智能音乐智能的可解释性和泛化性的挑战时，本文引入了一种新颖的符号表示，它融合了不同传统和粒度的显性和隐性音乐信息。该模型利用分层和/或图形表示，采用节点和边来封装广泛的音乐元素，包括结构、纹理、节奏和和声。这种分层方法扩展了不同音阶音乐的可表现性。这种表示形式是基于能量的模型的基础，该模型专门针对通过依赖于极小最大熵原理的灵活算法框架来学习音乐概念而定制。该模型利用经过调整的 Metropolis Hastings 采样技术，可以对音乐生成进行细粒度控制。将这种新颖的方法与现有方法进行对比的全面实证评估表明，在可解释性和可控性方面取得了相当大的进步。

Gradient weighting for speaker verification in extremely low Signal-to-Noise Ratio Authors Yi Ma, Kong Aik Lee, Ville Hautam ki, Meng Ge, Haizhou Li 说话人验证会受到背景噪声的阻碍，尤其是在信噪比 SNR 低于 0 dB 的情况下。在不引入不需要的伪影的情况下抑制噪声是很困难的，这会对说话者验证产生不利影响。我们提出了称为梯度加权 Grad W 的机制，它在预测过程中动态识别并减少伪影噪声。该机制基于梯度指示模型正在关注输入的哪些部分的属性。具体来说，当说话者网络关注去噪话语中的某个区域而不是干净的对应区域时，我们认为它是伪影噪声，并在增强优化期间为该区域分配更高的权重。我们通过训练增强模型并测试说话者验证的增强话语来验证它。

Towards Weakly Supervised Text-to-Audio Grounding Authors Xuenan Xu, Ziyang Ma, Mengyue Wu, Kai Yu 文本到音频接地 TAG 任务旨在预测自然语言描述的声音事件的开始和偏移。该任务可以促进多模式信息检索等应用。本文重点关注弱监督文本到音频接地 WSTAG，其中声音事件的帧级注释不可用，并且只能利用整个音频剪辑的标题进行训练。 WSTAG 在对大型音频文本数据集的可扩展性方面优于强监督方法。本文研究了句子级别和短语级别的两个WSTAG框架。首先，我们分析了先前 WSTAG 方法中使用的均值池的局限性，并研究了不同池策略的效果。然后，我们提出短语级 WSTAG，以使用音频剪辑和短语之间的匹配标签进行训练。提出了先进的负采样策略和自监督来提高弱标签的准确性并提供伪强标签。实验结果表明，我们的系统明显优于之前的 WSTAG SOTA。最后，我们进行了大量的实验来分析几个因素对短语级别 WSTAG 的影响。

Siamese Residual Neural Network for Musical Shape Evaluation in Piano Performance Assessment Authors Xiaoquan Li, Stephan Weiss, Yijun Yan, Yinhe Li, Jinchang Ren, John Soraghan, Ming Gong 理解和识别音乐形态在音乐教育和表演评估中起着重要作用。为了简化时间和成本密集的音乐形状评估，在本文中，我们探讨了如何应用人工智能驱动模型。将音乐形状评估视为分类问题，提出了轻量级连体残差神经网络 S ResNN 来自动识别音乐形状。为了在钢琴音乐形状评估的背景下评估所提出的方法，我们生成了一个新的数据集，其中包含由 147 次钢琴准备练习衍生的 4116 首音乐作品，并以 28 类音乐形状进行演奏。

A unified multichannel far-field speech recognition system: combining neural beamforming with attention based end-to-end model Authors Dongdi Zhao, Jianbo Ma, Lu Lu, Jinke Li, Xuan Ji, Lei Zhu, Fuming Fang, Ming Liu, Feijun Jiang 远场语音识别是一项具有挑战性的任务，通常使用信号处理波束成形来解决噪声和干扰问题。但由于严重依赖环境假设，性能通常受到限制。在本文中，我们提出了一种统一的多通道远场语音识别系统，该系统结合了神经波束成形和基于变压器的听、拼写、出席 LAS 语音识别系统，将端到端语音识别系统进一步扩展到包括语音增强。然后联合训练这样的框架以优化最终的感兴趣目标。具体来说，采用因子复数线性投影 fCLP 来形成神经波束形成。然后比较几种结合观察方向的池化策略，以找到最佳方法。此外，波束成形中还集成了源方向的信息，以探索源方向作为先验的有用性，这通常在多模态场景中可用。对不同麦克风阵列几何形状进行实验，以评估麦克风阵列对间距变化的鲁棒性。

Some clues to build a sound analysis relevant to hearing Authors Laurent Millot ACTE 音乐家或音响工程师在研究实验室中用于声音合成的分析工具可能相当不同。对这些工具的假设和局限性的讨论允许为所有声音演员提出尽可能相关和通用的第一个工具，其主要目标是必须能够聆听分析的每个元素，因为听力是最终参考工具。将来，该工具还应该用于在最近关于乐器建模、语音生成和扬声器设计的一些工作的基础上重新研究声音或声学的定义。

Chinese Abs From Machine Translation

Papers from arxiv.org

更多精彩请移步主页

---

pic from pexels.com