检测、关注与提取：关键词引导的目标说话人提取

目标说话人提取（TSE）旨在从包含多个竞争说话人的混合语音中提取目标说话人的语音。传统的 TSE 系统主要依赖说话人线索（例如预注册的语音）来识别和分离目标说话人。然而，在许多实际场景中，无法获得干净的注册语音，这限制了现有方法的适用性。在本工作中，我们提出了 DAE-TSE，一个关键词引导的 TSE 框架，通过目标说话人发出的特定关键词来指定目标说话人。通过利用关键词（即部分转录）作为线索，我们的方法为基于注册的 TSE 提供了一种灵活且实用的替代方案。DAE-TSE 遵循检测-关注-提取（DAE）范式：它首先检测给定关键词的存在，然后根据关键词内容关注相应的说话人，最后提取目标语音。实验结果表明，DAE-TSE 优于依赖干净注册语音的标准 TSE 系统。据我们所知，这是首次利用部分转录作为线索在 TSE 中指定目标说话人的研究，为实际场景提供了一种灵活且实用的解决方案。我们的代码和演示页面现已公开。