該團隊的非實時系統(tǒng)是性能最好的，而它的實時系統(tǒng)在整個系統(tǒng)中排名第三，在實時系統(tǒng)中排名第二，盡管只使用了4%的CPU核心。

文 / Arvindh Krishnaswamy 原文鏈接： https://www.amazon.science/blog/amazon-team-takes-first-place-in-interspeech-2020-deep-noise-suppression-challenge

在電子語音通信中，噪音和混響不僅會損害語音清晰度，而且會導致聽者在長時間努力理解低質量語音時感到疲勞。在COVID-19大流行期間，我們花在遠程會議上的時間越來越多，這一問題比以往任何時候都更加重要。 在今年的Interspeech會議上的深度噪聲抑制挑戰(zhàn)便是為了幫助解決這個問題的一個嘗試，分別在實時語音增強和非實時語音增強上進行比賽。在19個團隊中，Amazon取得了最好的結果，在非實時賽道上獲得了第一名(階段1 |階段2-final)，在實時賽道上獲得了第二名。

上面是一個有噪聲的語音樣本(上圖) 下面是被研究者的系統(tǒng)抑制了噪聲的同一個樣本(下圖) 為了滿足真實世界的需求，我們將實時輸入限制在CPU使用量的4%(在i7-8565U內核上測量)，這遠遠低于競賽所允許的最大限度。 然而，我們的實時輸入非常接近(0.03平均意見分數(shù))的第一名，并且擊敗了其他非實時的輸入。 Amazon團隊實時和非實時噪聲抑制結果的音頻示例可以在這里找到。 我們還發(fā)表了兩篇論文(paper1-offline | paper2-real)來更詳細地描述我們的技術方法。 在Interspeech中獲勝的技術已經(jīng)在Alexa通信公告和Drop in Everywhere功能中發(fā)布，并且從今天開始，我們的客戶也可以通過使用Amazon Chime蘋果macOS和微軟Windows客戶端來進行視頻會議和在線會議。

優(yōu)化的感知 傳統(tǒng)的語音增強算法使用人工調整的語音和噪聲模型，通常假設噪聲是恒定的。 對于某些類型的噪音(例如汽車噪音)，在噪音不太大或低混響的環(huán)境下，這種方法工作得相當好。不幸的是，它們經(jīng)常在非平穩(wěn)噪音上失敗，比如鍵盤噪音和雜音。因此，研究人員轉向了深度學習方法。

語音增強不僅需要從噪音和混響中提取原始語音，而且需要以一種人類耳朵感覺自然和愉快的方式進行。這使得自動回歸測試變得困難，并使深度學習語音增強系統(tǒng)的設計復雜化。 我們的實時系統(tǒng)實際上通過直接優(yōu)化了語音的感知特征(spectral envelope and voicing)，利用了人類的感知因素同時忽略了與感知無關的方面。由此產生的算法產生了最先進的語音質量，同時保持非常高的計算效率。 對于非實時系統(tǒng)，我們采取了一種不妥協(xié)的方法，使用改進的U-Net深度卷積網(wǎng)絡從增強的語音壓縮每一點可能的質量，從而贏得了輸入挑戰(zhàn)。

一描繪經(jīng)被允許使用的研究人員的實時系統(tǒng)的百分比中央處理器核心降噪后的一語音樣本的平均意見分數(shù)（MOS）的變化的圖像 在深度噪聲抑制的挑戰(zhàn)中，經(jīng)過處理的音頻示例被盲發(fā)送給人類聽眾，由他們對其進行評分，產生平均意見分數(shù)(MOS)。 在實時應用程序中，復雜性和質量之間總是需要權衡的。 右邊的圖顯示了我們如何通過增加CPU需求來進一步提高實時提交的質量，或者通過犧牲一些質量來進一步節(jié)省CPU的使用。 紅點表示提交挑戰(zhàn)的實時系統(tǒng)，圖像顯示了MOS分數(shù)相對于不同CPU負載的變化。

人們普遍認為，深度學習最終將對音頻處理產生深遠影響。 雖然仍有很多挑戰(zhàn)，比如數(shù)據(jù)增強，感知相關的損失函數(shù)或者處理看不見的情況，但未來依然非常令人興奮。

原文標題：亞馬遜團隊在Interspeech 2020深度噪聲抑制挑戰(zhàn)賽中獲得第一名

文章出處：【微信公眾號：LiveVideoStack】歡迎添加關注！文章轉載請注明出處。