4.3 Experimental evaluation The exp

4.3 Experimental evaluation
The experiments were performed on the Aurora 2 database. The experimental set-up is the
same as described in Section 3.3. The evaluation of the proposed model for voicing incorporation is first performed using a standard model trained on clean data. Results are presented in Figure 9. It can be seen that the incorporation of the voicing-probability provides significant recognition accuracy improvements at low SNRs in all noisy conditions. It was observed that the voicing-probability incorporation caused an increase of insertions in the case of Babble noise, which is due to this noise being of a voiced character. This could be improved by employing a
speech-of-interest detection similar as discussed earlier in Section 3.3. Next, evaluations were performed on a model that had compensated for the effect of noise – these experiments were conducted in order to determine whether the incorporation of the voicing information could still provide improvements (as employment of noise compensation would effectively decrease the amount of misalignment of the voicing information between the signal and models). For this, the marginalisation-based MFT model was used. In order to obtain the best (idealised) noise compensation, this model employs the oracle mask, obtained based on the full a-priori knowledge of the noise. Experimental results are presented in Figure 10. It can be seen that the incorporation of the voicing-probability did not improve the performance at high SNRs, which may be due to the effectiveness of the noise-compensation. The decrease at high SNRs in the case of Babble and Exhibition noise is, similarly as in the

Kết quả (Việt) 1:

4.3 thử nghiệm đánh giá Các thí nghiệm được thực hiện trên cơ sở dữ liệu Aurora 2. Các thiết lập thử nghiệm là các tương tự như mô tả trong phần 3.3. Đánh giá của các mô hình được đề xuất cho lồng tiếng kết hợp lần đầu tiên được thực hiện bằng cách sử dụng một mô hình tiêu chuẩn, được đào tạo về sạch dữ liệu. Kết quả được trình bày trong hình 9. Nó có thể được nhìn thấy rằng sự kết hợp của khả năng lồng tiếng cung cấp nhận dạng đáng kể cải tiến độ chính xác lúc SNRs thấp trong mọi điều kiện ồn ào. Nó được quan sát thấy rằng việc kết hợp lồng tiếng-xác suất gây ra tăng thêm vào trong trường hợp của tiếng ồn Babble, đó là do tiếng ồn này là của một nhân vật lồng tiếng. Điều này có thể được cải thiện bằng cách sử dụng một bài phát biểu quan tâm phát hiện tương tự như thảo luận trước đó trong phần 3.3. Tiếp theo, đánh giá đã được thực hiện trên một mô hình có đền bù cho ảnh hưởng của tiếng ồn-những thí nghiệm này được tiến hành nhằm xác định liệu sự kết hợp của lồng tiếng thông tin có thể vẫn còn cung cấp cải tiến (như việc làm cho tiếng ồn bồi thường có hiệu quả sẽ giảm số lượng misalignment của lồng tiếng thông tin giữa các tín hiệu và các mô hình). Đối với điều này, marginalisation dựa trên MFT mô hình được sử dụng. Để có được bồi thường (idealised) tiếng ồn tốt nhất, mô hình này sử dụng mặt nạ oracle, thu được dựa trên kiến thức đầy đủ tiên nghiệm của tiếng ồn. Kết quả thử nghiệm được trình bày trong hình 10. Nó có thể được nhìn thấy rằng sự kết hợp của khả năng lồng tiếng đã không cải thiện hiệu suất tại SNRs cao, có thể do hiệu quả của bồi thường thiệt hại tiếng ồn. Giảm tại cao SNRs trong trường hợp của tiếng ồn Babble và triển lãm là, tương tự như trong các

Kết quả (Việt) 2:

4.3 Thí nghiệm đánh giá
Các thí nghiệm được thực hiện trên cơ sở dữ liệu Aurora 2. Các thử nghiệm thiết lập là
giống như mô tả trong Phần 3.3. Việc đánh giá các mô hình đề xuất để bày tỏ lập công ty đầu tiên được thực hiện bằng một mô hình chuẩn được đào tạo về dữ liệu sạch. Kết quả được trình bày trong Hình 9. Có thể thấy rằng sự kết hợp của các lồng tiếng xác suất cung cấp những cải thiện độ chính xác nhận ý nghĩa ở SNRs thấp trong mọi điều kiện ồn ào. Nó đã được quan sát thấy rằng sự kết hợp lồng tiếng xác suất gây ra sự gia tăng của chèn trong trường hợp của tiếng ồn Babble, mà là do tiếng ồn này là của một nhân vật lên tiếng. Điều này có thể được cải thiện bằng cách sử dụng một
phát hiện giọng nói của lãi suất tương tự như đã nói ở mục 3.3. Tiếp theo, đánh giá được thực hiện trên một mô hình mà đã bù đắp cho sự ảnh hưởng của tiếng ồn - những thí nghiệm đã được tiến hành để xác định xem sự kết hợp của các thông tin bày tỏ vẫn có thể cung cấp những cải tiến (như việc đền bù tiếng ồn sẽ có hiệu quả làm giảm lượng không thẳng hàng các thông tin bày tỏ giữa các tín hiệu và các mô hình). Đối với điều này, mô hình MFT lề dựa trên đã được sử dụng. Để có được (lý tưởng hóa) bồi thường tiếng ồn tốt nhất, model này sử dụng mặt nạ oracle, thu được dựa trên những kiến thức một tiên nghiệm đầy đủ của tiếng ồn. Kết quả thí nghiệm được trình bày trong Hình 10. Có thể thấy rằng sự kết hợp của các lồng tiếng xác suất không cải thiện được hiệu suất ở SNRs cao, đó có thể là do hiệu quả của tiếng ồn bồi thường. Sự giảm tại SNRs cao trong trường hợp của Babble và Triển lãm tiếng ồn là, tương tự như trong