VorTEX：用于目标语音提取的各种重叠比例
声音
2026-03-24 v3 人工智能
计算与语言
摘要
目标语音提取 (target speech extraction, TSE) 旨在从混合信号中恢复出目标说话人的声音。虽然最近的文本提示方法显示出前景，但大多数方法假设完全重叠的混合，这限制了对现实中不同重叠比例下行为的洞察。我们介绍了 VorTEX (Various overlap ratio for Target speech EXtraction)，一个以文本提示为导向的 TSE 架构，包含一种 Decoupled Adaptive Multi-branch (DAM) Fusion 块，将主要提取与辅助正则化路径分离。为实现可控分析，我们构建了 PORTE 数据集，涵盖 0% 到 100% 的重叠比例。我们进一步提出了能量抑制比 (Suppression Ratio on Energy, SuRE)，这是一种诊断性指标，用于检测常规措施未捕捉的抑制行为。实验表明，现有模型在重叠情况下表现出抑制或残余干扰，而 VorTEX 在 20% 到 100% 的重叠范围内实现最高的分离保真度（例如在 20% 时为 5.50 dB，在 100% 时为 2.04 dB），同时保持零 SuRE，表明其在无抑制驱动的噪声方面具有稳健的提取能力。
引用
@article{arxiv.2603.14803,
title = {VorTEX: Various overlap ratio for Target speech EXtraction},
author = {Ro-hoon Oh and Jihwan Seol and Bugeun Kim},
journal= {arXiv preprint arXiv:2603.14803},
year = {2026}
}
备注
Submitted to InterSpeech 2026 (under review)