Probabilistische Graphische Modelle für Mischungen von Signalen

Robustheit gegen Echo, Rauschen und überlagerte Störsignale gilt als eine der großen Herausforderungen in der Spracherkennungs- und Audioanalysetechnologie. Eine Möglichkeit zur Bewältigung dieser Herausforderung ist einkanalige Quellentrennung. In den letzten Jahren etablierten sich faktorielle Hidden-Markov-Modelle in Kombination mit einem Sprecherinteraktionsmodell für die Extraktion relevanter Quellen aus einer Signalmischung. Solche Modelle erzielten in Methodenvergleichen für einkanalige Sprecherseparierung und Spracherkennung sogar bessere Erkennungsraten als menschliche Hörer/innen. Mit Hilfe dieser Modelle ist es möglich, multiple, sich überlagernde akustische Signale nachzubilden. Dieses Vorgehen liefert hervorragende Ergebnisse für vordefinierte Szenarien, es bestehen aber noch erhebliche Schwierigkeiten für eine breite Anwendung in realen Umgebungen. Ziel der beabsichtigten Forschungsaktivitäten in diesem Projekt ist es, die bekannten Modelle in mehrfacher Hinsicht zu erweitern: (i) Einführung von diskriminativen Lernverfahren; dies hat den Vorteil, dass die Modelle nicht generativ gelernt werden, sondern die Unterschiedlichkeit der interagierenden Quellen betont wird. (ii) Entwicklung von effizienten Inferenzmethoden basierend auf Lagrange-Relaxation. Exakte Inferenz in faktoriellen Hidden-Markov-Modellen skaliert exponentiell mit der Anzahl der vorhandenen Quellen in der Signalmischung. (iii) In der Regel sind quellenspezifische einkanalige Daten erforderlich, um ein Modell zu lernen. Ein Teil des Projekts beschäftigt sich mit der Adaption der Modellparameter ausgehend von einem generisch spezifizierten Modell, wobei ausschließlich Signalmischungen zur Adaption verwendet werden. Der Ansatz besteht darin, in einem iterativen Algorithmus die Parameter mit Hilfe der Maximum-Likelihood linearen Regressionsmethode zu adaptieren. Die entwickelten Methoden werden für einkanalige Sprecherseparierung, Verfolgung der Grundfrequenz von mehreren Sprechern, und für klassische Klassifikationsszenarien eingesetzt. Sie sind jedoch auch für verwandte Anwendungsgebiete attraktiv, insbesondere dort, wo eine Trennung von Signalmischungen erforderlich ist.

Robustheit gegen Echo, Rauschen und überlagerte Störsignale gilt als eine der großen Herausforderungen in der Spracherkennungs- und Audioanalysetechnologie. Eine Möglichkeit zur Bewältigung dieser Herausforderung ist einkanalige Quellentrennung. In den letzten Jahren etablierten sich faktorielle Hidden-Markov-Modelle in Kombination mit einem Sprecherinteraktionsmodell für die Extraktion relevanter Quellen aus einer Signalmischung. Solche Modelle erzielten in Methodenvergleichen für einkanalige Sprecherseparierung und Spracherkennung sogar bessere Erkennungsraten als menschliche Hörer/innen. Mit Hilfe dieser Modelle ist es möglich, multiple, sich überlagernde akustische Signale nachzubilden. Dieses Vorgehen liefert hervorragende Ergebnisse für vordefinierte Szenarien, es bestehen aber noch erhebliche Schwierigkeiten für eine breite Anwendung in realen Umgebungen. In diesem Projekt wurden Adaptionsmechanismen für diese Modelle zur Trennung von Signalmischungen entwickelt. Weiters wurden neue Lernverfahren entwickelt, um die Genauigkeit der Signaltrennung zu verbessern und deren Effizienz zu erhöhen. Diese Methoden zur Signalverbesserung sind wichtig in den verschiedensten Telekommunikationsanwendungen. Die Verbesserung der Sprachverständlichkeit und der Sprachsignalqualität ist seit Jahrzehnten ein aktives Forschungsgebiet.