TF-Locoformer：基于卷积进行局部建模的Transformer用于语音分离与增强

时频（TF）域双路径模型实现了高保真语音分离。虽然一些先前最先进的模型依赖RNN，但这意味着它们缺乏Transformer模块所具有的并行性、可扩展性和通用性。鉴于纯Transformer架构在其他领域的广泛成功，本工作专注于从TF域双路径模型中移除RNN，同时保持最先进的性能。本工作提出了TF-Locoformer，一种基于Transformer的模型，通过卷积进行局部建模（LOcal-modeling by COnvolution）。该模型使用带有卷积层的前馈网络（FFN）替代线性层来捕获局部信息，使自注意力专注于捕获全局模式。我们在自注意力前后各放置两个这样的FFN以增强局部建模能力。我们还为TF域双路径模型引入了一种新颖的归一化方法。在分离和增强数据集上的实验表明，所提出的模型在多个基准上达到或超越了最先进的性能，且采用无RNN架构。