Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2207.03067

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2207.03067 (cs)
[提交于 2022年7月7日 ]

标题: 跨尺度向量量化用于可扩展神经语音编码

标题: Cross-Scale Vector Quantization for Scalable Neural Speech Coding

Authors:Xue Jiang, Xiulian Peng, Huaying Xue, Yuan Zhang, Yan Lu
摘要: 比特率可扩展性是实时通信中音频编码的一个理想特性。 现有的神经音频编解码器通常在训练期间强制特定的比特率,因此需要为每个目标比特率训练不同的模型,这增加了发送方和接收方的内存占用,并且通常需要转码以支持多个接收方。 在本文中,我们引入了一种跨尺度可扩展的矢量量化方案(CSVQ),其中多尺度特征通过逐步的特征融合和优化进行渐进式编码。 这样,如果只接收到一部分比特流,就可以重建粗略级别的信号,并且随着更多比特的可用,质量会逐步提高。 所提出的CSVQ方案可以灵活地应用于任何具有镜像自编码器结构的神经音频编码网络,以实现比特率可扩展性。 主观结果表明,所提出的方案在可扩展性方面优于经典的残差VQ(RVQ)。 此外,3 kbps的CSVQ在性能上超过了9 kbps的Opus和3 kbps的Lyra,并且可以在比特率增加时提供平滑的质量提升。
摘要: Bitrate scalability is a desirable feature for audio coding in real-time communications. Existing neural audio codecs usually enforce a specific bitrate during training, so different models need to be trained for each target bitrate, which increases the memory footprint at the sender and the receiver side and transcoding is often needed to support multiple receivers. In this paper, we introduce a cross-scale scalable vector quantization scheme (CSVQ), in which multi-scale features are encoded progressively with stepwise feature fusion and refinement. In this way, a coarse-level signal is reconstructed if only a portion of the bitstream is received, and progressively improves the quality as more bits are available. The proposed CSVQ scheme can be flexibly applied to any neural audio coding network with a mirrored auto-encoder structure to achieve bitrate scalability. Subjective results show that the proposed scheme outperforms the classical residual VQ (RVQ) with scalability. Moreover, the proposed CSVQ at 3 kbps outperforms Opus at 9 kbps and Lyra at 3kbps and it could provide a graceful quality boost with bitrate increase.
评论: 国际语音会议2022(已接受)
主题: 声音 (cs.SD) ; 机器学习 (cs.LG); 音频与语音处理 (eess.AS)
引用方式: arXiv:2207.03067 [cs.SD]
  (或者 arXiv:2207.03067v1 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2207.03067
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Xue Jiang [查看电子邮件]
[v1] 星期四, 2022 年 7 月 7 日 03:23:25 UTC (15,819 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2022-07
切换浏览方式为:
cs
cs.LG
cs.SD
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号