计算机应用研究

作者：许华杰,张勃,

单位：广西大学a.计算机与电子信息学院;b.广西多媒体通信与网络技术重点实验室;c.广西高校并行分布与智能计算重点实验室;d.广西智能数字服务工程技术研究中心,南宁530004；

关键词：音频序列生成,生成对抗网络,半监督学习,特征融合,

基金：国家自然科学基金资助项目(71963001)；广西壮族自治区科技计划资助项目(2017AB15008)；崇左市科技计划资助项目(FB2018001)；；

音频数据规模不足是语音识别过程中的一个常见问题，通过较少的训练数据训练得到的语音识别模型效果难以得到保证。因此，提出一种基于生成对抗网络与特征融合的多尺度音频序列生成方法（multi-scale audio sequence GAN，MAS-GAN），包含多尺度音频序列生成器和真伪—类别判别器。生成器通过3个上采样子网络学习音频序列不同时域和频域的特征，再将不同尺度的特征融合成伪音频序列；判别器通过辅助分类器将生成的伪数据和真实数据区分开，同时指导生成器生成各类别的数据。实验表明，与目前主流的音频序列生成方法相比，所提方法的IS和FID分数分别提高了6.78%和3.75%，可以生成更高质量的音频序列；同时通过在SC09数据集上进行分类实验来评估生成音频序列的质量，所提方法的分类准确率比其他方法高2.3%。

来源：2023年第9期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2023年第9期