■anond:20210129211401

一つの仮説だが、RNNやTransformerといった、ニューラルネットの構成ばかりに気にしていて、

音声をよくよく観測できていないのではないか。

音声全く詳しくないけど、これは間違いなくあるね。音声に限った話じゃない。

音声ほんとに知らないので的外れかもしれないけど思いつくありそうな理由を並べてみる。

• CNNベースのモデルのせいで高周波成分を学習できてない
• 学習データが会話音声中心で歌声が少ないか全くない
• 単精度演算のせいで高調波情報が落ちてる
• 論文を通すため分野的に標準になってる評価指標に過剰適合している

Permalink | 記事への反応(0) | 21:26

ツイートシェア