The Conversation: Deep Audio-Visual Speech Enhancement

2018.6 牛津大学

利用嘴唇图像辅助声音分离

论文地址:https://arxiv.org/pdf/1804.04121.pdf

项目地址:(测试demo)http://www.robots. ox.ac.uk/˜vgg/demo/theconversation.


Abstract

Our goal is to isolate individual speakers from multi-talker simultaneous speech in videos. Existing works in this area have focussed on trying to separate utterances from known speakers in controlled environments. In this paper, we propose a deep audio-visual speech enhancement network that is able to separate a speaker’s voice given lip regions in the corresponding video, by predicting both the magnitude and the phase of the target signal. The method is applicable to speakers unheard and unseen during training, and for unconstrained environments. We demonstrate strong quantitative and qualitative results, isolating extremely challenging real-world examples.

我们的目标是将个别发言者与视频中的多人讲话同声传译隔离开来。 该领域的现有工作集中于试图在受控环境中将话语与已知扬声器分开。 在本文中,我们提出了一种深度视听语音增强网络,它能够通过预测目标信号的幅度和相位来分离相应视频中给定唇区的说话者的语音。 该方法适用于在训练期间闻所未闻且不受限制的说话者,以及无约束环境。 我们展示了强大的定量和定性结果,孤立了极具挑战性的现实世界的例子。

1. Introduction

In the film The Conversation (dir. Francis Ford Coppola, 1974), the protagonist, played by Gene Hackman, goes to inordinate lengths to record a couple’s converservation in a crowded city square. Despite many ingenious placements of microphones, he did not use the lip motion of the speakers to suppress speech from others nearby. In this paper we propose a new model for this task of audio-visual speech enhancement, that he could have used.

在电影The Conversation(导演弗朗西斯·福特·科波拉,1974年)中,由Gene Hackman扮演的主角,在一个拥挤的城市广场上记录了一对夫妇的谈话。 尽管有许多巧妙的麦克风放置,但他没有使用说话者的唇部动作来抑制附近其他人的言语。 在本文中,我们提出了一个他可以使用的视听语音增强任务的新模型。

More generally, we propose an audio-visual neural network that can isolate a speaker’s voice from others, using visual information from the target speaker’s lips: Given a noisy audio signal and the corresponding speaker video, we produce an enhanced audio signal containing only the target speaker’s voice with the rest of the speakers and background noise suppressed.

更一般地,我们提出了一种视听神经网络,可以使用来自目标说话者嘴唇的视觉信息将说话者的声音与其他人隔离:给定嘈杂的音频信号和相应的扬声器视频,我们产生仅包含目标的增强音频信号 扬声器的声音与其他扬声器和背景噪声受到抑制。

Rather than synthesising the voice from scratch, which would be a challenging task, we instead predict a mask that filters the noisy spectrogram of the input. Many speech enhancement approaches focus on refining only the magnitude of the noisy input signal and use the noisy phase for the signal reconstruction. This works well for high signal-to-noise-ratio scenarios, but as the SNR decreases, the noisy phase becomes a bad approximation of the ground truth one [1]. Instead, we propose correction modules for both the magnitude and phase. The architecture is summarised in Figure 1. In training, we initialize the visual stream with a network pre-trained on a word-level lipreading task, but after this, we train from unlabelled data (Section 3.1) where no explicit annotation is required at the word, character or phoneme-level.

我们不是从头开始合成语音,而是一项具有挑战性的任务,而是预测一个过滤输入噪声频谱图的mask许多语音增强方法专注于仅改善噪声输入信号的幅度并使用噪声相位进行信号重建。 这适用于高信噪比情况,但随着信噪比的降低,噪声相位变得非常接近gt[1]。 相反,我们提出了幅度和相位的校正模块。 图1总结了该体系结构。在培训中,我们使用预先训练过单词级唇读任务的网络初始化视觉流,但在此之后,我们从未标记数据(第3.1节)进行训练,其中不需要明确注释。 单词,字符或音素级别。

注意这里提到的mask,理解上应该和图像分割的mask有所区分。图像分割经过nms后为每个像素赋一个固定的类别,而这里的mask可以是ratio的mask


©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 218,941评论 6 508
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,397评论 3 395
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 165,345评论 0 356
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,851评论 1 295
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,868评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,688评论 1 305
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,414评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,319评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,775评论 1 315
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,945评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,096评论 1 350
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,789评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,437评论 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,993评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,107评论 1 271
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,308评论 3 372
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,037评论 2 355

推荐阅读更多精彩内容