TIGER：面向高效语音分离的时间频率交错增益提取与重构
声音
2026-03-02 v3 人工智能
音频与语音处理
摘要
在近年，语音分离研究主要聚焦于提高模型性能。然而，对于低时延语音处理系统，高效性同样重要。因此，我们提出一种参数和计算成本显著降低的语音分离模型：时间频率交错增益提取与重构网络(TIGER)。TIGER 利用先验知识将频率带划分并压缩频率信息。我们采用多尺度选择性注意力模块提取语境特征，同时引入全频率帧注意力模块以捕获时频语境信息。此外，为更真实地评估语音分离模型在复杂声学环境中的性能，我们引入一个名为 EchoSet 的数据集。该数据集包含噪声和更真实的混响（例如，考虑物体遮挡和材料属性），语音来自两位说话人以随机比例重叠。实验结果表明，在 EchoSet 上训练的模型相较于其他数据集收集的物理世界数据，具有更好的泛化能力，验证了 EchoSet 的实际价值。在 EchoSet 和真实世界数据上，TIGER 参数数量降低了 94.3%，MACs 降低了 95.3%，同时实现了超越当前最先进(SOTA)模型 TF-GridNet 的性能。
关键词
引用
@article{arxiv.2410.01469,
title = {TIGER: Time-frequency Interleaved Gain Extraction and Reconstruction for Efficient Speech Separation},
author = {Mohan Xu and Kai Li and Guo Chen and Xiaolin Hu},
journal= {arXiv preprint arXiv:2410.01469},
year = {2026}
}
备注
Accepted by ICLR 2025, demo page: https://cslikai.cn/TIGER/