单声道语音增强的选择性状态空间模型

语音用户界面（VUI）通过语音命令促进了人与机器之间的高效交互。由于真实世界的声学场景复杂，语音增强对于鲁棒的VUI至关重要。Transformer及其变体（如Conformer）在语音增强中展示了最先进的结果。然而，两者都存在关于序列长度的二次计算复杂度，这限制了它们处理长序列的能力。最近，一种名为Mamba的新型状态空间模型展现出以线性复杂度处理长序列的强大能力，为解决这一挑战提供了方案。在本文中，我们提出了一种新颖的混合卷积-Mamba骨干网络，记为MambaDC，用于语音增强。我们的MambaDC结合了卷积网络建模局部交互的优势和Mamba建模长程全局依赖的能力。我们在两个常用训练目标上，在基础和最先进（SoTA）语音增强框架中进行了全面的实验。结果表明MambaDC在所有训练目标上均优于Transformer、Conformer和标准Mamba。基于当前先进框架，使用MambaDC骨干网络展示了优于现有SoTA系统的结果。这为语音增强中的高效长程全局建模奠定了基础。