TGIF：目标说话人提取的说话人群体信息预熟悉

最先进的目标说话人提取 (Target Speaker Extraction, TSE) 系统通常被设计为能够泛化到任何给定的混合环境，这要求模型具有足够大的容量以作为通用模型。个性化语音增强可以是一种适应单用户场景的专用解决方案，但它忽略了在仅涉及少数说话人的情况下进行定制的实际需求，例如针对特定家庭的 TSE。我们通过提出的概念——TSE 的说话人群体信息预熟悉 (Talker Group-Informed Familiarization, TGIF)——来填补这一空白，其中 TSE 系统专门针对特定的用户群体，但由于固有地缺乏干净语音目标，这颇具挑战性。为此，我们采用了知识蒸馏方法，其中特定群体的学生模型从大型教师模型生成的伪干净目标中学习。这使得学生模型能够在保持计算效率的同时，有效地从特定说话人群体中提取目标说话人。实验结果表明，我们的方法通过适应给定说话人群体的独特语音特征，优于基线通用模型。我们新提出的 TGIF 概念凸显了为多样化和真实世界应用开发专用解决方案的潜力，例如在家庭拥有的设备上进行端侧 TSE。