用于说话人计数多通道CRNN：性能分析

说话人计数是指估计音频录音中同时说话的人数。对于说话人日记化、分离、定位与跟踪等多个音频处理任务，知晓每一时间步的说话人数量是前提条件，或至少是一大优势，此外还能实现低延迟处理。在先前工作中，我们用多通道卷积循环神经网络解决了说话人计数问题，该网络以短期帧分辨率给出估计。本工作中，我们表明对于给定的帧，在输入序列中存在一个最优位置可获得最佳预测精度。我们通过实验证明了该最优位置、输入序列长度与卷积滤波器尺寸之间的关联。