神经目标语音提取：综述

人类即使在具有噪声、混响和干扰说话者的挑战性声学条件下也能聆听目标说话者。这一现象被称为鸡尾酒会效应。数十年来，研究人员一直致力于接近人类的聆听能力。一个关键问题是处理干扰说话者，因为目标与非目标语音信号具有相似特征，使它们的区分复杂化。目标语音/说话者提取（TSE）利用识别混合物中说话者的线索，从多个说话者（有或没有噪声和混响）的混合物中分离出目标说话者的语音信号。此类线索可能是指示目标说话者方向的空间线索、说话者嘴唇的视频或可以推导出其声音特征的预录制注册语句。TSE 是一个新兴的研究领域，近年来受到越来越多的关注，因为它提供了鸡尾酒会问题的实用方法，并涉及音频、视觉、阵列处理和深度学习等信号处理方面。本文关注近期的基于神经的方法，并对 TSE 进行深入的概述。我们引导读者了解不同的主要方法，强调框架之间的相似性并讨论潜在的未来方向。