基於卷積類神經網路之廣播節目音訊事件偵測系統

摘要

廣播電臺節目中通常包含語音，音樂與其他音訊事件（如笑聲或特效聲）。若能偵 測並切割這些音訊事件，就能進一步對廣播節目進行加值運用。例如，轉寫語音片段的 逐字稿，或是辨認音樂片段的歌名與曲名，以利檢索。針對此問題，在本論文中，我們首先設計，並以人工標註出一廣播節目音訊事件資料庫，再利用Convolutional Neural Network (CNN)自動擷取有效的特徵音訊參數，對廣播電臺的音檔做音訊事件偵測與切 割，最後轉成具時間資訊的音訊事件標註檔。實驗方面我們從教育電臺節目中，選出新 聞類與不同性質的談話類節目共14個，經人工標注後，獲得總長度共約60小時的音 檔，並用來訓練與測試CNN和傳統Gaussian Mixture Model (GMM)的效能。實驗結 果顯示以CNN直接搭配頻譜參數，在偵測語音與非語音，音樂與非音樂或其它與非其 它音訊事件等的錯誤率（equal error rates , EER),分別為2.27% 、 12.52%與9.51% ,皆 低於傳統以GMM搭配Mel-Frequency Cepstral Coefficients (MFCCs)的3.65% 、 15.68% 與13.25% 。