基于吸引子的未知说话人数目多话语语音分离

本文探讨了单通道语音分离问题，其中说话人数量未知，且每个说话人可能说出多个话语。我们提出了一种语音分离模型，该模型通过集成一个吸引子模块，能够同时执行分离、动态估计说话人数量并检测单个说话人的活动。所提出的系统通过引入一种基于吸引子的架构，有效地结合了局部和全局时间建模以应对多话语场景，其性能优于现有方法。为了在有混响和噪声的条件下评估该方法，我们通过将Librispeech语音信号与WHAM!噪声信号相结合，合成了一个多说话人多话语数据集。结果表明，所提出的系统能准确估计声源数量。在已知和未知声源数量的场景下，该系统都能有效检测声源活动，并将相应的话语分离到正确的输出中。