audio.eurecom.fr
 
Home › Resources

Media

 

Please find implementation codes for our solutions to artificial bandwidth extension (ABE) at : 

https://github.com/bachhavpramod/bandwidth_extension

 

 

LATENT REPRESENTATION LEARNING FOR ARTIFICIAL BANDWIDTH EXTENSION USING A CONDITIONAL VARIATIONAL AUTO-ENCODER

P. Bachhav, M. Todisco and N. Evans (accepted in ICASSP 2019)

 

NB
 
Original WB
 
CVAE
 
SSAE+zs
 PCA 
M1 M1 M1 M1 M1
M2 M2 M2 M2 M2
M3 M3 M3 M3 M3
M4 M4 M4 M4 M4
M5 M5 M5 M5 M5
M6 M6 M6 M6 M6
F1 F1 F1 F1 F1
F2 F2 F2 F2 F2
F3 F3 F3 F3 F3
F4 F4 F4 F4 F4
F5 F5 F5 F5 F5
F6 F6 F6 F6 F6

 

 

ARTIFICIAL BANDWIDTH EXTENSION WITH MEMORY INCLUSION USING SEMI-SUPERVISED STACKED AUTO-ENCODERS

P. Bachhav, M. Todisco and N. Evans (INTERSPEECH 2018)

Click here to download

NB

Original WB

Arch-2C,tanh

LPS

Arch-2C,tanh

LogMFE

 Baseline 
M1 M1 M1 M1 M1
M2 M2 M2 M2 M2
M3 M3 M3 M3 M3
M4 M4 M4 M4 M4
M5 M5 M5 M5 M5
F1 F1 F1 F1 F1
F2 F2 F2 F2 F2
F3 F3 F3 F3 F3
F4 F4 F4 F4 F4
F5 F5 F5 F5 F5

 

 

EXPLOITING EXPLICIT MEMORY INCLUSION FOR ARTIFICIAL BANDWIDTH EXTENSION

P. Bachhav, M. Todisco and N. Evans (ICASSP 2018)

Click here to download

 

NB

Original WB

Baseline (B1)

Proposed (M2)
A1 A1 A1 A1
A2 A2 A2 A2
A3 A3 A3 A3
A4 A4 A4 A4
A5 A5 A5 A5
A6 A6 A6 A6
A7 A7 A7 A7
A8 A8 A8 A8
A9 A9 A9 A9
A10 A10 A10 A10
A11 A11 A11 A11
A12 A12 A12 A12
A13 A13 A13 A13
A14 A14 A14 A14

 

 

EFFICIENT SUPER-WIDE BANDWIDTH EXTENSION USING LINEAR PREDICTION BASED ANALYSIS-SYNTHESIS

P. Bachhav, M. Todisco and N. Evans (ICASSP 2018)

Click here to download

 

Databases

AMR-WB

(12.65kbps)

EVS

(13.2kbps)

Proposed

 EHBE
CMU Arctic A1 A1 A1 A1
  A2 A2 A2 A2
  A3 A3 A3 A3
  A4 A4 A4 A4
  A5 A5 A5 A5
3GPP A6 A6 A6 A6
  A7 A7 A7 A7
  A8 A8 A8 A8
  A9 A9 A9 A9
  A10 A10 A10 A10
TSP speech A11 A11 A11 A11
  A12 A12 A12 A12
  A13 A13 A13 A13
  A14 A14 A14 A14
  A15 A15 A15 A15

 

Artificial Bandwidth Extention using the Constant Q Transform

P. Bachhav, M. Todisco, M. Mossi, C. Beaugeant and N. Evans (ICASSP 2017)

Click here to download

 

NB

Original WB

OG-OP

EG-EP (Proposed)
M1 M1 M1 M1
M2 M2 M2 M2
M3 M3 M3 M3
M4 M4 M4 M4
M5 M5 M5 M5
F1 F1 F1 F1
F2 F2 F2 F2
F3 F3 F3 F3
F4 F4 F4 F4
F5 F5 F5 F5

 

 

An experimental framework for the derivation of

perceptually-optimal noise suppression functions

A. Daniel, L. Lepauloux, C. Yemdji, N. Evans and C. Beaugeant

(Submitted to ICASSP 2013)

 

Demonstration video:

 

Sound samples:

These samples allow for a direct comparison between a conventional Wiener filter and a "perceptually-optimal" filter applying the mean experimental noise suppression curve obtained in this paper. It is recommended to listen to these samples through headphones at a comfortable level to be in the same conditions as the participants.

Clean speech, additive white noise, noisy speech (0 dB SNR).

Utterance #1: Wiener filter, perceptual filter

Utterance #2: Wiener filter, perceptual filter

Utterance #3: Wiener filter, perceptual filter

Syndicate

Syndicate content