Wangyou Zhang Chime4 Enh Train Enh Conv Tasnet Raw
基於ESPnet框架訓練的語音增強模型,使用chime4數據集進行訓練,適用於單通道語音增強任務。
下載量 57
發布時間 : 4/11/2022
模型概述
該模型採用Conv-TasNet架構,專門用於語音增強任務,能夠從含噪聲的混合語音中分離出清晰的語音信號。
模型特點
基於Conv-TasNet架構
採用時間卷積網絡(Temporal Convolutional Network)進行語音分離,具有高效的特徵提取能力。
端到端訓練
直接從原始音頻學習到目標語音的映射,無需複雜的特徵工程。
SI-SNR優化目標
使用尺度不變信噪比(SI-SNR)作為損失函數,優化語音質量。
模型能力
單通道語音增強
噪聲抑制
語音分離
使用案例
語音處理
會議語音增強
在嘈雜的會議環境中提取清晰的語音信號
提高語音識別準確率和可懂度
電話語音增強
改善移動通信中的語音質量
提升通話體驗
🚀 ESPnet2 ENH模型
本模型是基於ESPnet框架的音頻增強模型,利用chime4數據集進行訓練,能夠有效處理音頻到音頻的轉換任務,為音頻處理提供了強大的支持。
🚀 快速開始
模型介紹
espnet/Wangyou_Zhang_chime4_enh_train_enh_conv_tasnet_raw
這個模型由王友張使用 espnet 中的chime4配方進行訓練。
演示:在ESPnet2中如何使用
cd espnet
pip install -e .
cd egs2/chime4/enh1
./run.sh --skip_data_prep false --skip_train true --download_model espnet/Wangyou_Zhang_chime4_enh_train_enh_conv_tasnet_raw
📚 詳細文檔
ENH配置
展開
config: conf/tuning/train_enh_conv_tasnet.yaml
print_config: false
log_level: INFO
dry_run: false
iterator_type: chunk
output_dir: exp/enh_train_enh_conv_tasnet_raw
ngpu: 1
seed: 0
num_workers: 4
num_att_plot: 3
dist_backend: nccl
dist_init_method: env://
dist_world_size: 2
dist_rank: 0
local_rank: 0
dist_master_addr: localhost
dist_master_port: 57680
dist_launcher: null
multiprocessing_distributed: true
cudnn_enabled: true
cudnn_benchmark: false
cudnn_deterministic: true
collect_stats: false
write_collected_feats: false
max_epoch: 100
patience: 4
val_scheduler_criterion:
- valid
- loss
early_stopping_criterion:
- valid
- loss
- min
best_model_criterion:
- - valid
- si_snr
- max
- - valid
- loss
- min
keep_nbest_models: 1
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
unused_parameters: false
use_tensorboard: true
use_wandb: false
wandb_project: null
wandb_id: null
pretrain_path: null
init_param: []
freeze_param: []
num_iters_per_epoch: null
batch_size: 8
valid_batch_size: null
batch_bins: 1000000
valid_batch_bins: null
train_shape_file:
- exp/enh_stats_16k/train/speech_mix_shape
- exp/enh_stats_16k/train/speech_ref1_shape
valid_shape_file:
- exp/enh_stats_16k/valid/speech_mix_shape
- exp/enh_stats_16k/valid/speech_ref1_shape
batch_type: folded
valid_batch_type: null
fold_length:
- 80000
- 80000
sort_in_batch: descending
sort_batch: descending
multiple_iterator: false
chunk_length: 32000
chunk_shift_ratio: 0.5
num_cache_chunks: 1024
train_data_path_and_name_and_type:
- - dump/raw/tr05_simu_isolated_1ch_track/wav.scp
- speech_mix
- sound
- - dump/raw/tr05_simu_isolated_1ch_track/spk1.scp
- speech_ref1
- sound
valid_data_path_and_name_and_type:
- - dump/raw/dt05_simu_isolated_1ch_track/wav.scp
- speech_mix
- sound
- - dump/raw/dt05_simu_isolated_1ch_track/spk1.scp
- speech_ref1
- sound
allow_variable_data_keys: false
max_cache_size: 0.0
max_cache_fd: 32
valid_max_cache_size: null
optim: adam
optim_conf:
lr: 0.001
eps: 1.0e-08
weight_decay: 1.0e-05
scheduler: reducelronplateau
scheduler_conf:
mode: min
factor: 0.5
patience: 3
init: xavier_uniform
model_conf:
loss_type: si_snr
use_preprocessor: false
encoder: conv
encoder_conf:
channel: 256
kernel_size: 20
stride: 10
separator: tcn
separator_conf:
num_spk: 1
layer: 8
stack: 4
bottleneck_dim: 256
hidden_dim: 512
kernel: 3
causal: false
norm_type: gLN
nonlinear: relu
decoder: conv
decoder_conf:
channel: 256
kernel_size: 20
stride: 10
required:
- output_dir
version: 0.9.7
distributed: true
引用ESPnet
如果你在研究中使用了ESPnet,可以按照以下格式進行引用:
@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{li2021espnetse,
title={{ESPnet-SE}: End-to-End Speech Enhancement and Separation Toolkit Designed for {ASR} Integration},
author={Li, Chenda and Shi, Jing and Zhang, Wangyou and Subramanian, Aswin Shanmugam and Chang, Xuankai and Kamo, Naoyuki and Hira, Moto and Hayashi, Tomoki and Boeddeker, Christoph and Chen, Zhuo and Watanabe, Shinji},
booktitle={Proc. IEEE Spoken Language Technology Workshop (SLT)},
pages={785--792},
year={2021},
}
或者引用arXiv版本:
@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}
}
@inproceedings{li2021espnetse,
title={{ESPnet-SE}: End-to-End Speech Enhancement and Separation Toolkit Designed for {ASR} Integration},
author={Li, Chenda and Shi, Jing and Zhang, Wangyou and Subramanian, Aswin Shanmugam and Chang, Xuankai and Kamo, Naoyuki and Hira, Moto and Hayashi, Tomoki and Boeddeker, Christoph and Chen, Zhuo and Watanabe, Shinji},
year={2020},
eprint={2011.03706},
archivePrefix={arXiv},
primaryClass={eess.AS}
}
📄 許可證
本項目採用CC BY 4.0許可證。
Metricgan Plus Voicebank
Apache-2.0
這是一個使用MetricGAN+方法訓練的語音增強模型,能夠有效提升語音質量。
音頻增強 英語
M
speechbrain
55.91k
65
Mtl Mimic Voicebank
Apache-2.0
基於SpeechBrain的語音增強與魯棒性ASR訓練系統,採用模仿損失訓練策略
音頻增強 英語
M
speechbrain
11.11k
35
Dccrnet Libri1Mix Enhsingle 16k
基於Asteroid框架訓練的DCCRN-CL架構語音增強模型,專為單通道語音增強任務設計,在Libri1Mix數據集上訓練。
音頻增強
PyTorch
D
JorisCos
10.99k
16
Sepformer Wham16k Enhancement
Apache-2.0
這是一個使用SepFormer架構的語音增強模型,專門用於去除音頻中的噪聲和混響,在WHAM!數據集上以16kHz採樣頻率訓練。
音頻增強
PyTorch 英語
S
speechbrain
5,140
28
Dprnntasnet Ks2 Libri1Mix Enhsingle 16k
基於Asteroid框架訓練的音頻增強模型,專為單通道語音增強任務設計,在Libri1Mix數據集上訓練。
音頻增強
PyTorch
D
JorisCos
4,859
1
Dptnet Libri1Mix Enhsingle 16k
基於Asteroid框架訓練的音頻增強模型,專注於單聲道語音增強任務
音頻增強
PyTorch
D
JorisCos
4,446
3
Convtasnet Libri1Mix Enhsingle 16k
基於Asteroid框架訓練的ConvTasNet模型,用於單通道語音增強任務,在Libri1Mix數據集上訓練。
音頻增強
PyTorch
C
JorisCos
2,570
3
Sepformer Dns4 16k Enhancement
Apache-2.0
這是一個基於SepFormer架構的語音增強模型,專門用於去噪任務,在微軟DNS-4數據集上訓練,支持16kHz採樣頻率的音頻處理。
音頻增強
PyTorch 支持多種語言
S
speechbrain
1,669
20
Sepformer Wham Enhancement
Apache-2.0
使用SepFormer模型進行語音增強(去噪)的工具集,在WHAM!數據集(8kHz採樣頻率版本)上預訓練,實現環境噪聲和混響的去除。
音頻增強
PyTorch 英語
S
speechbrain
827
23
MP SENet DNS
MIT
一個基於Pytorch的音頻去噪和語音增強模型,有效去除音頻噪聲提升語音清晰度
音頻增強
Safetensors
M
JacobLinCool
723
1
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98