TF-GridNet：让时频域模型在单通道说话人分离中重放异彩
声音
2023-03-16 v2 音频与语音处理
摘要
我们提出TF-GridNet，一种在时频（T-F）域运行的新型多路径深度神经网络（DNN），用于无混响条件下与说话人无关的单通道说话人分离。该模型堆叠多个多路径块，每块由帧内频谱模块、子带时域模块和全带自注意力模块组成，以利用局部与全局谱-时信息实现分离。模型训练执行复频谱映射，将输入混合信号的实部与虚部（RI）分量堆叠为输入特征以预测目标RI分量。除使用尺度不变信失真比（SI-SDR）损失训练模型外，我们引入一项新颖损失项以促使分离出的源相加等于输入混合信号。在未使用动态混合的情况下，我们在WSJ0-2mix数据集上取得23.4 dB SI-SDR提升（SI-SDRi），大幅优于先前最佳结果。
引用
@article{arxiv.2209.03952,
title = {TF-GridNet: Making Time-Frequency Domain Models Great Again for Monaural Speaker Separation},
author = {Zhong-Qiu Wang and Samuele Cornell and Shukjae Choi and Younglo Lee and Byeong-Yeol Kim and Shinji Watanabe},
journal= {arXiv preprint arXiv:2209.03952},
year = {2023}
}
备注
in IEEE ICASSP 2023