Wangyou Zhang Chime4 Enh Train Enh Conv Tasnet Raw
基于ESPnet框架训练的语音增强模型,使用chime4数据集进行训练,适用于单通道语音增强任务。
下载量 57
发布时间 : 4/11/2022
模型简介
该模型采用Conv-TasNet架构,专门用于语音增强任务,能够从含噪声的混合语音中分离出清晰的语音信号。
模型特点
基于Conv-TasNet架构
采用时间卷积网络(Temporal Convolutional Network)进行语音分离,具有高效的特征提取能力。
端到端训练
直接从原始音频学习到目标语音的映射,无需复杂的特征工程。
SI-SNR优化目标
使用尺度不变信噪比(SI-SNR)作为损失函数,优化语音质量。
模型能力
单通道语音增强
噪声抑制
语音分离
使用案例
语音处理
会议语音增强
在嘈杂的会议环境中提取清晰的语音信号
提高语音识别准确率和可懂度
电话语音增强
改善移动通信中的语音质量
提升通话体验
🚀 ESPnet2 ENH模型
本模型是基于ESPnet框架的音频增强模型,利用chime4数据集进行训练,能够有效处理音频到音频的转换任务,为音频处理提供了强大的支持。
🚀 快速开始
模型介绍
espnet/Wangyou_Zhang_chime4_enh_train_enh_conv_tasnet_raw
这个模型由王友张使用 espnet 中的chime4配方进行训练。
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
📚 详细文档
ENH配置
展开
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,可以按照以下格式进行引用:
@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}
}
📄 许可证
本项目采用CC BY 4.0许可证。
Metricgan Plus Voicebank
Apache-2.0
这是一个使用MetricGAN+方法训练的语音增强模型,能够有效提升语音质量。
音频增强 英语
M
speechbrain
55.91k
65
Mtl Mimic Voicebank
Apache-2.0
基于SpeechBrain的语音增强与鲁棒性ASR训练系统,采用模仿损失训练策略
音频增强 英语
M
speechbrain
11.11k
35
Dccrnet Libri1Mix Enhsingle 16k
基于Asteroid框架训练的DCCRN-CL架构语音增强模型,专为单通道语音增强任务设计,在Libri1Mix数据集上训练。
音频增强
PyTorch
D
JorisCos
10.99k
16
Sepformer Wham16k Enhancement
Apache-2.0
这是一个使用SepFormer架构的语音增强模型,专门用于去除音频中的噪声和混响,在WHAM!数据集上以16kHz采样频率训练。
音频增强
PyTorch 英语
S
speechbrain
5,140
28
Dprnntasnet Ks2 Libri1Mix Enhsingle 16k
基于Asteroid框架训练的音频增强模型,专为单通道语音增强任务设计,在Libri1Mix数据集上训练。
音频增强
PyTorch
D
JorisCos
4,859
1
Dptnet Libri1Mix Enhsingle 16k
基于Asteroid框架训练的音频增强模型,专注于单声道语音增强任务
音频增强
PyTorch
D
JorisCos
4,446
3
Convtasnet Libri1Mix Enhsingle 16k
基于Asteroid框架训练的ConvTasNet模型,用于单通道语音增强任务,在Libri1Mix数据集上训练。
音频增强
PyTorch
C
JorisCos
2,570
3
Sepformer Dns4 16k Enhancement
Apache-2.0
这是一个基于SepFormer架构的语音增强模型,专门用于去噪任务,在微软DNS-4数据集上训练,支持16kHz采样频率的音频处理。
音频增强
PyTorch 支持多种语言
S
speechbrain
1,669
20
Sepformer Wham Enhancement
Apache-2.0
使用SepFormer模型进行语音增强(去噪)的工具集,在WHAM!数据集(8kHz采样频率版本)上预训练,实现环境噪声和混响的去除。
音频增强
PyTorch 英语
S
speechbrain
827
23
MP SENet DNS
MIT
一个基于Pytorch的音频去噪和语音增强模型,有效去除音频噪声提升语音清晰度
音频增强
Safetensors
M
JacobLinCool
723
1
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98