LauraTSE：使用自回归解码器仅语言模型的目标说话人提取
机器学习
2025-08-19 v3 人工智能
摘要
我们提出LauraTSE，一种基于LauraGPT骨干网络的自回归解码器仅语言模型，用于目标说话人提取。LauraTSE采用一个小规模的自回归解码器仅语言模型，从混合语音和参考语音的连续嵌入中生成目标语音离散编解码表示的初始层，这些输出作为粗粒度预测。为了细化这些预测，一个一步编码器仅语言模型通过整合混合语音和参考语音的信息重建完整的编解码表示，添加细粒度细节。实验结果表明，我们的方法能够取得有前景的性能。此外，我们进行了消融研究，以探究数据的可扩展性以及编码器仅模型的贡献。
引用
@article{arxiv.2504.07402,
title = {LauraTSE: Target Speaker Extraction using Auto-Regressive Decoder-Only Language Models},
author = {Beilong Tang and Bang Zeng and Ming Li},
journal= {arXiv preprint arXiv:2504.07402},
year = {2025}
}
备注
8 pages, 5 figure, accepted by 2025 IEEE Automatic Speech Recognition and Understanding Workshop (ASRU)