wsj0_2mix_skim_small_causalオープンソース音声強化モデル - 無料でデプロイして混合音声信号の分離を実現

ホーム

Wsj0 2mix Skim Small Causal

lichendaによって開発

これはESPnetフレームワークで訓練された音声強調モデルで、wsj0_2mixデータセットの混合音声信号分離タスクに特化しています。

オーディオ拡張英語#リアルタイム音声強調 #因果性モデル #低遅延処理

ダウンロード数 26

リリース時間 : 5/17/2023

モデル概要

このモデルはskimアーキテクチャを採用し、因果性処理能力を持ち、リアルタイム音声強調シナリオに適しており、混合音声中の異なる話者信号を効果的に分離できます。

モデル特徴

因果処理能力

モデルは因果構造設計を採用し、リアルタイム音声処理アプリケーションに適しています

軽量アーキテクチャ

小型skimアーキテクチャ設計で、性能を維持しながら計算複雑度を低減

複数話者分離

混合音声中の2つの話者信号を効果的に分離可能

モデル能力

音声強調

話者分離

リアルタイム音声処理

使用事例

音声通信

会議音声強調

複数人会議シナリオで異なる話者の声を分離

STOI指標94.20、SDR指標14.33を達成

音声認識前処理

ASRフロントエンド処理

音声認識システムによりクリーンな入力信号を提供

騒音環境での音声認識システムの精度向上が可能

🚀 ESPnet2 ENHモデル

このモデルは、音声処理に特化したモデルで、espnetをベースにwsj0_2mixデータセットを用いて学習されています。音声の強化や分離などのタスクに利用できます。

🚀 クイックスタート

このモデルをESPnet2で使用するには、まずESPnetのインストール手順に従ってインストールしてください。

cd espnet
git checkout 3897ed8380bfb526d5c5dd2197eccbffbba7d8f8
pip install -e .
cd egs2/wsj0_2mix/enh1
./run.sh --skip_data_prep false --skip_train true --download_model lichenda/wsj0_2mix_skim_small_causal

✨ 主な機能

このモデルは、Chenda Li氏によってespnetのwsj0_2mixレシピを用いて学習されました。
音声強化や分離などのタスクに利用できます。

📦 インストール

上記のクイックスタートの手順に従ってインストールしてください。

💻 使用例

ESPnet2での使用方法は、クイックスタートのコマンドを参照してください。

📚 ドキュメント

結果

環境

日付: Wed May 10 20:30:26 CST 2023
Pythonバージョン: 3.9.16 (main, Mar 8 2023, 14:00:05) [GCC 11.2.0]
espnetバージョン: espnet 202304
PyTorchバージョン: pytorch 2.0.1
Gitハッシュ: 3897ed8380bfb526d5c5dd2197eccbffbba7d8f8
- コミット日付: Tue May 9 13:27:37 2023 +0800

enh_train_enh_skim_causal_small_raw

設定ファイル: conf/tuning/train_enh_skim_causal_small.yaml

データセット	STOI	SAR	SDR	SIR	SI_SNR
enhanced_cv_min_8k	93.41	15.54	14.92	24.87	14.51
enhanced_tt_min_8k	94.20	15.00	14.33	24.18	13.92

ENH設定

展開

config: conf/tuning/train_enh_skim_causal_small.yaml
print_config: false
log_level: INFO
dry_run: false
iterator_type: chunk
output_dir: exp/enh_train_enh_skim_causal_small_raw
ngpu: 1
seed: 0
num_workers: 4
num_att_plot: 3
dist_backend: nccl
dist_init_method: env://
dist_world_size: null
dist_rank: null
local_rank: 0
dist_master_addr: null
dist_master_port: null
dist_launcher: null
multiprocessing_distributed: false
unused_parameters: false
sharded_ddp: false
cudnn_enabled: true
cudnn_benchmark: false
cudnn_deterministic: true
collect_stats: false
write_collected_feats: false
max_epoch: 150
patience: 50
val_scheduler_criterion:
- valid
- loss
early_stopping_criterion:
- valid
- loss
- min
best_model_criterion:
-   - valid
    - si_snr_loss
    - min
-   - valid
    - loss
    - min
keep_nbest_models: 1
nbest_averaging_interval: 0
grad_clip: 5.0
grad_clip_type: 2.0
grad_noise: false
accum_grad: 1
no_forward_run: false
resume: true
train_dtype: float32
use_amp: false
log_interval: null
use_matplotlib: true
use_tensorboard: true
create_graph_in_tensorboard: false
use_wandb: false
wandb_project: null
wandb_id: null
wandb_entity: null
wandb_name: null
wandb_model_log_interval: -1
detect_anomaly: false
pretrain_path: null
init_param: []
ignore_init_mismatch: false
freeze_param: []
num_iters_per_epoch: null
batch_size: 16
valid_batch_size: null
batch_bins: 1000000
valid_batch_bins: null
train_shape_file:
- exp/enh_stats_8k/train/speech_mix_shape
- exp/enh_stats_8k/train/speech_ref1_shape
- exp/enh_stats_8k/train/speech_ref2_shape
valid_shape_file:
- exp/enh_stats_8k/valid/speech_mix_shape
- exp/enh_stats_8k/valid/speech_ref1_shape
- exp/enh_stats_8k/valid/speech_ref2_shape
batch_type: folded
valid_batch_type: null
fold_length:
- 80000
- 80000
- 80000
sort_in_batch: descending
sort_batch: descending
multiple_iterator: false
chunk_length: 32000,16000,8000
chunk_shift_ratio: 0.5
num_cache_chunks: 1024
chunk_excluded_key_prefixes: []
train_data_path_and_name_and_type:
-   - dump/raw/tr_min_8k/wav.scp
    - speech_mix
    - sound
-   - dump/raw/tr_min_8k/spk1.scp
    - speech_ref1
    - sound
-   - dump/raw/tr_min_8k/spk2.scp
    - speech_ref2
    - sound
valid_data_path_and_name_and_type:
-   - dump/raw/cv_min_8k/wav.scp
    - speech_mix
    - sound
-   - dump/raw/cv_min_8k/spk1.scp
    - speech_ref1
    - sound
-   - dump/raw/cv_min_8k/spk2.scp
    - speech_ref2
    - sound
allow_variable_data_keys: false
max_cache_size: 0.0
max_cache_fd: 32
valid_max_cache_size: null
exclude_weight_decay: false
exclude_weight_decay_conf: {}
optim: adam
optim_conf:
    lr: 0.001
    eps: 1.0e-08
    weight_decay: 0
scheduler: steplr
scheduler_conf:
    step_size: 2
    gamma: 0.97
init: xavier_uniform
model_conf:
    stft_consistency: false
    loss_type: mask_mse
    mask_type: null
criterions:
-   name: si_snr
    conf: {}
    wrapper: pit
    wrapper_conf:
        weight: 1.0
        independent_perm: true
speech_volume_normalize: null
rir_scp: null
rir_apply_prob: 1.0
noise_scp: null
noise_apply_prob: 1.0
noise_db_range: '13_15'
short_noise_thres: 0.5
use_reverberant_ref: false
num_spk: 1
num_noise_type: 1
sample_rate: 8000
force_single_channel: false
dynamic_mixing: false
utt2spk: null
dynamic_mixing_gain_db: 0.0
encoder: conv
encoder_conf:
    channel: 128
    kernel_size: 8
    stride: 4
separator: skim
separator_conf:
    causal: true
    num_spk: 2
    layer: 3
    nonlinear: relu
    unit: 384
    segment_size: 50
    dropout: 0.0
    mem_type: hc
    seg_overlap: false
decoder: conv
decoder_conf:
    channel: 128
    kernel_size: 8
    stride: 4
mask_module: multi_mask
mask_module_conf: {}
preprocessor: null
preprocessor_conf: {}
required:
- output_dir
version: '202304'
distributed: false

ESPnetの引用

@inproceedings{watanabe2018espnet,
  author={Shinji Watanabe and Takaaki Hori and Shigeki Karita and Tomoki Hayashi and Jiro Nishitoba and Yuya Unno and Nelson Yalta and Jahn Heymann and Matthew Wiesner and Nanxin Chen and Adithya Renduchintala and Tsubasa Ochiai},
  title={{ESPnet}: End-to-End Speech Processing Toolkit},
  year={2018},
  booktitle={Proceedings of Interspeech},
  pages={2207--2211},
  doi={10.21437/Interspeech.2018-1456},
  url={http://dx.doi.org/10.21437/Interspeech.2018-1456}
}

@inproceedings{ESPnet-SE,
  author = {Chenda Li and Jing Shi and Wangyou Zhang and Aswin Shanmugam Subramanian and Xuankai Chang and
  Naoyuki Kamo and Moto Hira and Tomoki Hayashi and Christoph B{"{o}}ddeker and Zhuo Chen and Shinji Watanabe},
  title = {ESPnet-SE: End-To-End Speech Enhancement and Separation Toolkit Designed for {ASR} Integration},
  booktitle = {{IEEE} Spoken Language Technology Workshop, {SLT} 2021, Shenzhen, China, January 19-22, 2021},
  pages = {785--792},
  publisher = {{IEEE}},
  year = {2021},
  url = {https://doi.org/10.1109/SLT48900.2021.9383615},
  doi = {10.1109/SLT48900.2021.9383615},
  timestamp = {Mon, 12 Apr 2021 17:08:59 +0200},
  biburl = {https://dblp.org/rec/conf/slt/Li0ZSCKHHBC021.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

@inproceedings{liSkimSkippingMemory2022,
  title = {Skim: {{Skipping Memory Lstm}} for {{Low-Latency Real-Time Continuous Speech Separation}}},
  shorttitle = {Skim},
  booktitle = {{{ICASSP}} 2022 - 2022 {{IEEE International Conference}} on {{Acoustics}}, {{Speech}} and {{Signal Processing}} ({{ICASSP}})},
  author = {Li, Chenda and Yang, Lei and Wang, Weiqin and Qian, Yanmin},
  year = {2022},
  month = may,
  pages = {681--685},
  issn = {2379-190X},
  doi = {10.1109/ICASSP43922.2022.9746372},
}

またはarXiv:

@misc{watanabe2018espnet,
  title={ESPnet: End-to-End Speech Processing Toolkit},
  author={Shinji Watanabe and Takaaki Hori and Shigeki Karita and Tomoki Hayashi and Jiro Nishitoba and Yuya Unno and Nelson Yalta and Jahn Heymann and Matthew Wiesner and Nanxin Chen and Adithya Renduchintala and Tsubasa Ochiai},
  year={2018},
  eprint={1804.00015},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}