Sequence Models for Speech and Music Detection in Radio Broadcast

• Main Author: Lemaire, Quentin
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2019
• Subjects: Computer and Information Sciences; Data- och informationsvetenskap
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-251011

Speech and Music detection is an important meta-data extraction step for radio broadcasters. It provides them with a good time-stamping of the audio, including parts where speech and music overlap. This task has important applications in royalty collection in broadcast audio for instance, which is the use case for this particular study. The study is focused on deep neural network architectures made to process sequential data such as recurrent neural networks or convolutional architectures for sequential learning. Different architectures that have not yet been applied for this task are evaluated and compared with a state-of-the-art architecture (Bidirectional Long Short-Term Memory). Moreover, different strategies to take advantage of both low and high-quality datasets are evaluated. The study shows that Temporal Convolution Network (TCN) architectures can outperform state-of-the-art architectures, and that especially non-causal TCNs lead to a significant improvement in the accuracy. The code used for this study has been made available on GitHub. === Taloch musikdetektion är ett viktigt steg för att extrahera metadata för radiobolag. Det ger dem en bra tidsstämpling av ljudet inklusive de delar där tal och musik överlappar varandra. Tillämpningen är viktig vid insamling av royalties för radiosändningar vilket är användningsfallet för den här studien. Studien är inriktad på djupa neurala nätverksarkitekturer, Deep Neural Networks (DNN), gjorda för att behandla sekventiell data som Recurrent Neural Networks (RNN) eller faltningsarkitekturer för sekventiell inlärning. Olika arkitekturer som ännu inte har tillämpats för denna uppgift utvärderas och jämförs med en state-of-the-art-arkitektur (Bidirectional Long Short-Term Memory). Dessutom utvärderas olika strategier för att utnyttja både lågoch högkvalitativa dataset. Studien visar att arkitekturerna för Temporal Convolution Network (TCN) kan överträffa state-of-the-art-arkitekturer, och att speciellt icke-kausala TCN leder till en signifikant förbättring av noggrannheten. Koden som används för denna studie finns tillgänglig på GitHub.