语音分离引导的会议在线说话人日志

重叠语音对于说话人日志系统而言是众所周知的难题。因此，最近有人提出使用语音分离来提升其性能。尽管前景广阔，但语音分离模型在处理真实数据时仍面临挑战，因为它们是在具有固定说话人数量的模拟混合数据上训练的。在这项工作中，我们引入了一种新的语音分离引导的日志方案，适用于具有可变说话人数量的长会议录音的在线说话人日志，如AMI语料库中的情况。我们考虑将ConvTasNet和DPRNN作为分离网络的替代方案，并设置两个或三个输出源。为了获得说话人日志结果，我们对每个估计的源进行语音活动检测。在首先使用AMI数据将分离模型适应于真实数据后，最终模型进行端到端微调。该系统在短片段上运行，并通过使用说话人嵌入和增量聚类拼接局部预测来进行推理。结果表明，我们的系统在AMI头戴式麦克风混合录音上，不使用任何先验信息，并在完全评估（无宽容区间且包含重叠语音）的条件下，改进了当前最先进水平。最后，我们展示了我们的系统在重叠语音部分上的特别优势。