MANNER : Réseau d'attention à plusieurs vues pour l'élimination du bruit

Dans le domaine du renforcement vocal, les méthodes en domaine temporel peinent à atteindre à la fois de hautes performances et une efficacité optimale. Récemment, des modèles à double chemin ont été adoptés pour représenter des caractéristiques séquentielles longues, mais ils restent limités en termes de représentation et présentent une efficacité mémoire insuffisante. Dans cette étude, nous proposons MANNER (Multi-view Attention Network for Noise ERasure), un réseau composé d’un encodeur-décodeur convolutif et d’un bloc d’attention à plusieurs vues, appliqué directement aux signaux en domaine temporel. MANNER extrait efficacement trois représentations différentes à partir d’un signal vocal bruité et estime un signal vocal propre de haute qualité. Nous avons évalué MANNER sur le jeu de données VoiceBank-DEMAND selon cinq métriques objectives de qualité vocale. Les résultats expérimentaux démontrent que MANNER atteint des performances de pointe tout en traitant efficacement les signaux bruités.