基于最优排列训练的多说话人单通道语音分离

单通道语音分离在过去几年中取得了巨大进展。然而，当前的训练方法依赖于排列不变损失（Permutation Invariant Loss, PIT），难以训练用于大量说话人（例如超过10人）的神经语音分离模型。在本工作中，我们提出了一种排列不变训练方法，采用匈牙利算法，使得训练的时间复杂度为 $O(C^3)$（其中 $C$ 为说话人数量），而基于 PIT 的方法为 $O(C!)$。此外，我们提出了一种改进的网络架构，能够处理增多的说话人数量。我们的方法可分离多达 $20$ 名说话人，并在大 $C$ 情况下大幅改进了先前的结果。