基于 Mamba 的全向注意力机制用于语音分离
声音
2026-01-26 v1 音频与语音处理
摘要
Mamba 是一种选择性状态空间模型 (SSM)，已成为 Transformer 语音建模的高效替代方案，能够以线性复杂度处理长序列。虽然在语音分离中效果良好，但现有方法无论是时域还是时频域，通常都会将输入在单个维度上分解为短的单维序列，再用 Mamba 处理，这限制了其仅进行局部一维建模，限制了其捕获跨 2D 声谱图全局依赖的能力。本文提出一种基于单向 Mamba 的高效全向注意力 (OA) 机制，模型化声谱图上来自十个不同方向的全局依赖。我们将该机制扩展为两种基线分离模型，并在三个公开数据集上进行评估。实验结果表明，我们的方法在保持线性复杂度的同时始终显著优于基线，超过现有最先进 (SOTA) 系统。
引用
@article{arxiv.2601.16603,
title = {Omni-directional attention mechanism based on Mamba for speech separation},
author = {Ke Xue and Chang Sun and Rongfei Fan and Jing Wang and Han Hu},
journal= {arXiv preprint arXiv:2601.16603},
year = {2026}
}