INTERSPEECH 2023 论文预讲会是由CCF语音对话与听觉专委会、语音之家主办，旨在为学者们提供更多的交流机会，更方便、快捷地了解领域前沿。活动将邀请 INTERSPEECH 2023 录用论文的作者进行报告交流。

INTERSPEECH 2023 论文预讲会第二期邀请到华南理工大学专场分享，欢迎大家预约观看。


下面是预讲会的回顾（按嘉宾要求只展示李志鹏、方元博、曹文昌环节）：


李志鹏

分享主题：用于语音情感识别的多尺度时空Transformer模型
摘要：语音情感识别（SER）在人机交互系统中起着至关重要的作用。最近，各种不同架构的Transformer模型已经成功地应用于语音领域。然而，现有的Transformer模型更加注重全局信息，庞大的计算量带来了很大的计算压力。另一方面，情感信息是以多粒度的形式存在于帧/音素/单词/话语中的，这意味着除了语音信号的全局表征，细节信息也是很重要的。为了解决上述问题，本文为语音情感识别任务提出了一个多尺度Transformer架构（MSTR），包括三个主要部分：多尺度时间特征提取器，分形自注意模块以及尺度混合器模块。这三个部分能够有效地降低Transformer架构的计算量以及提高多尺度情感表征能力。实验结果表明，所提出的MSTR模型在语音情感数据集中的表现明显优于基线模型。

方元博

分享主题：语音情感识别中自监督特征的下游迁移研究

摘要：最近自监督表征学习在语音领域取得了巨大的进展，基于transformer的下游模型在下游语音任务上提供了良好的迁移性能。然而，其固有结构是否真的适合于下游迁移是不确定的。在本文中，我们打破了传统多头自注意力和前馈神经网络（MSA-FFN）结构，采用block结构搜索策略（BAS）来研究合适的下游迁移方式。在语音情感识别任务中，我们发现：

（1）在下游模型的早期阶段，应该避免采用MSA先行的设计。

（2）在使用自监督特征的情况下，使用一个简单的FFN就可以进行良好的下游迁移。论文所提出的方法也可以应用于其它基于自监督特征的下游语音任务。


曹文昌

对于当前的音频分类方法来说，类别的数量往往是固定不变的，并且模型只能识别预先给定的类别。当出现新类时，模型需要使用之前类别的充足样本再次训练。如果新的类别不断出现，上述方法的工作将受到负面影响甚至无法正常工作。在这项研究中，我们提出了一种用于小样本类增量音频分类的方法，该方法能够在识别新类的同时保持旧类的识别率。我们的模型由特征提取器和随机分类器组成。特征提取器在初始阶段训练完成后被冻结，随机分类器则会在增量阶段被不断扩展和训练。以NSynth语料库和LibriSpeech语料库为基础，我们构造了NS-100数据集和LS-100数据集，实验结果表明我们的方法在平均准确率和性能下降速率方面优于对比方法。

论文征集
INTERSPEECH 2023 论文预讲会面向全球线上招募，结合定向邀请与自选投稿的方式，来选择预讲会的嘉宾。


为了共创高质量的论文预讲会，我们诚挚邀请所有 INTERSPEECH 2023 作者参与到会议中来，也欢迎大家推荐适此会议论文分享的学者。


投稿方式

投稿邮箱：jack@speechhome.com


联系人微信