面向会议分析的全神经网络在线源分离、计数与说话人日记化

自动会议分析包括说话人计数、说话人日记化（diarization）以及重叠语音分离等任务，其后接自动语音识别。这些都必须在任意长的会话上执行，并且理想情况下以在线或块在线方式进行。尽管在单个任务上已取得显著进展，本文首次提出一种全神经网络方法，用于同时说话人计数、日记化与源分离。该基于神经网络的估计器以块在线方式运行，并跟踪说话人，即便其在若干时间块内保持静默，从而学习到分离源的稳定输出顺序。该神经网络在时间上以及源数量上均为循环结构。仿真实验表明，在取得最先进分离性能的同时，也给出了良好的日记化与源计数结果。它甚至对未见过的大量块数也泛化良好。