2022年9月18日-22日，全球語音領域頂級會議INTERSPEECH 2022在韓國仁川舉辦?！霸浦?上師大自然人機交互”聯(lián)合實驗室攜提出的關于聲音事件檢測、單通道語音增強方向的2篇論文參會。這是繼2022年6月亮相ICASSP2022（技術論文被收錄）之后，云知聲在2022年再一次獲得國際語音頂會的認可。

INTERSPEECH在國際上享有極高盛譽并具有廣泛的學術影響力，是由國際語音通訊協(xié)會（ISCA）創(chuàng)辦的旗艦級國際會議，也是全球最大的綜合性語音領域的科技盛會，對參會企業(yè)和單位有著嚴苛的準入門檻，歷屆INTERSPEECH會議都倍受全球各地語音研究領域人士的廣泛關注。

本屆會議以“Human and humanizing speech technology”為主題，內容涵蓋信號處理、語音識別、自然語言處理、神經(jīng)機器翻譯等領域，收到近萬篇投稿論文。會議研究成果代表著語音相關領域的最新研究水平和未來的技術發(fā)展趨勢。此次論文入選，代表云知聲在語音交互領域持續(xù)的技術創(chuàng)新。

聲音事件檢測

在聲音事件檢測方向，研究團隊提出了一個教師-學生（Teacher-Student）半監(jiān)督學習框架，充分利用強標簽數(shù)據(jù)、弱標簽數(shù)據(jù)與大量無標簽數(shù)據(jù)訓練模型，有效解決標簽數(shù)據(jù)匱乏的問題。為了提高模型的檢測能力，研究團隊提出通過兩階段的訓練策略并聚焦于難以分類的事件，以及利用一種深度特征蒸餾方法，更詳細地關注到時間軸上細致的聲學信息。

同時，研究團隊還提出語音分離技術輔助聲音事件檢測系統(tǒng)建模的方法，通過使用分離數(shù)據(jù)與混合數(shù)據(jù)聯(lián)合調整訓練模型的方式，有效解決事件重疊與背景噪聲干擾對系統(tǒng)建模帶來的影響。在DCASE2019 Task4 數(shù)據(jù)集上，研究團隊所提出的方案在F1, PSDS1 and PSDS2得分上分別達到了46.5%, 44.5%以及75.4%，相比baseline提高了2.2%, 7.2%以及20.5%，充分體現(xiàn)了所提出方案的優(yōu)勢。

單通道語音增強

在單通道實時語音增強方向，研究團隊提出了一個基于PercepNet模型并感知語音相位與信噪比的實時語音增強方案(PercepNet+: A Phase and SNR Aware PercepNet for Real-Time Speech Enhancement)，該方案提取多種聲學特征，以獲取語音包括幅度，相位，基音周期在內的多種聲學屬性。這些特征被進一步在模型中使用提取時間相關性和頻率相關性的GRU網(wǎng)絡層進行融合，以提升該語音增強系統(tǒng)的性能。

同時，研究團隊還提出一種基于信噪比的后處理機制，旨在改善語音增強中的過度抑制問題。該機制利用網(wǎng)絡估計得到的語音信噪比為閾值條件，決定基于MMSE-LSA的后處理方法是否被應用于當前輸入語音。研究團隊的模型在VCTK測試集上達到了2.65 (PESQ) 的得分，相比原PercepNet模型的得分相對提升了8%,充分驗證了所提出方案的有效性。

人工智能成功的關鍵在于應用。為不斷拓寬自身基礎能力邊界，云知聲深入探究語音領域中的語音識別、語音增強、信號處理、聲紋識別、聲音事件檢測等諸多方向，形成豐富技術積累，并將相關技術在多個領域以及行業(yè)進行應用，取得諸多成功案例。比如云知聲的ASR技術被廣泛應用于音視頻翻譯、會議系統(tǒng)、同聲傳譯、三代共6款專用AI語音交互芯片等相關產(chǎn)品與場景。

其中，云知聲輸出的軟硬一體的語音交互芯片產(chǎn)品，覆蓋各種形態(tài)的多品類產(chǎn)品，市占率領先，出貨量不斷增長。為國內傳統(tǒng)行業(yè)迅速實現(xiàn)智能化產(chǎn)品升級與改造，提供了技術保障。

本次在 INTERSPEECH 2022 大會上提出的原創(chuàng)技術，也將進一步夯實云知聲全棧+硬核的人工智能技術“底座”，提高云知聲在語音交互領域的技術領先性，推動人工智能系統(tǒng)以更人性化、高效的方式服務于千行百業(yè)，為用戶帶來更好的交互體驗。