基于目标说话人单声段的多通道多说话人语音识别

在多通道、多说话人语音识别领域，区分并准确转录背景噪声中的目标说话人语音仍是一个巨大的挑战。传统方法通常依赖麦克风阵列配置和目标说话人位置或声纹信息。本研究引入了单声特征（Solo-SF），一种创新方法，利用目标说话人的孤立语音段落来增强语音识别性能，从而规避了传统输入方式，如麦克风阵列布局。我们探讨了选择最佳单声段落的有效策略，这对于Solo-SF的成功至关重要。通过在AliMeeting数据集和AISHELL-1模拟数据集上的评估，Solo-SF在各种测试条件下均优于现有技术，显著降低了字符错误率（CER）。我们的发现表明，Solo-SF作为解决多通道、多说话人语音识别复杂性的有效解决方案具有巨大的潜力。