WeSep：面向通用目标说话人提取的可扩展且灵活的工具包
音频与语音处理
2024-09-25 v1 声音
摘要
目标说话人提取（TSE）旨在从重叠的多说话人语音中隔离特定的目标说话人的语音，这是「酒会问题」中的典型场景。近年来，由于其在用户定制界面、助听器等各种应用场景的潜力，以及作为后续任务（如语音识别和说话人识别）关键的前端处理技术，TSE正受到日益关注的注意。然而，目前几乎没有可供开箱使用的开源工具包或可用的预训练模型。本文介绍了WeSep，一个用于TSE研究和实际应用的工具包。weSep特点包括灵活的目标说话人建模、可扩展的数据管理、有效的即时数据仿真、结构化的配方以及部署支持。该工具包已公开可用于\url{https://github.com/wenet-e2e/WeSep.}
引用
@article{arxiv.2409.15799,
title = {WeSep: A Scalable and Flexible Toolkit Towards Generalizable Target Speaker Extraction},
author = {Shuai Wang and Ke Zhang and Shaoxiong Lin and Junjie Li and Xuefei Wang and Meng Ge and Jianwei Yu and Yanmin Qian and Haizhou Li},
journal= {arXiv preprint arXiv:2409.15799},
year = {2024}
}
备注
Interspeech 2024