科研之友
微信
新浪微博
Facebook
分享链接
摘要
特定人语音分离算法是指从包含多种说话人同时讲话场景的混合语音中，通过一个特征向量的引导来分离出特定说话人的语音。特征向量的获取通常有两种方式，一种是使用一组自定义的正交独热(one-hot)向量，该方法可以在训练过程中达到更好的训练效果，但是无法处理训练过程中未见过的说话人；另一种方法是使用一个分类网络自适应地生成具有说话人特征的嵌入式向量(embedding),该做法会因为分类网络的误差而损失一部分训练效果，但是可以在集外说话人的样本上取得较好的泛化效果。为了解决在特定人语音分离算法用单独使用one-hot或embedding作为特征向量存在的不足之处，提出了一种鲁棒的特定人语音分离方法，通过在训练过程中交替地使用one-hot向量和embedding作为目标说话人的身份特征向量，将one-hot和embedding映射到公共空间中，可以在保证训练效果的同时，增强对集外说话人的泛化能力。实验结果表明，在使用了这种混合训练方法之后，对于测试集中的集外说话人分离效果上SDR提升超过了10 dB。
- 单位
