本文概述了深度学习在说话人分离领域的应用，包括DNN、DeepClustering和DeepAttractorNet等方法。通过训练，DNN可以用于估计masking layer，实现说话人分离。文中提到的Permutation Invariant Training (PIT)解决了说话人独立模型的训练问题，为连续语音片段的正确组织提供了可能。研究表明，这些深度学习方法在提升语音分离质量和理解度方面表现出色。
【WangDeLiangOverview2018】
Supervised Speech Separation Based on Deep Learning: An Overview
DeLiang Wang / Jitong Chen @ Ohio
IEEE/ACM Trans. ASLP2018
【目录】
1. 引入
2. 学习机器(learning machines)
3. 训练目标(training target)
4. 特征
5. 单声道分离
5.1 语音增强(speech separation)
5.2 语音增强的泛化
5.3 语音去混响 & 去噪(speech dereverberation & denoising)
5.4 说话人分离(speaker separation)
6. 多声道分离(阵列分离)
7. 更多内容
【正文】
说话人分离(speaker separation)的目标是，从一个包含2个or多个voice的mixture里提取多个语音信号，每个说话人(speaker)对应一个。在深度学习被证明能胜任语音增强之后，在类似的框架下，DNN已被成功应用在说话人分离中，如图12是2说话人分离，或者叫共信道分离(cochannel separation)。
Huang[81]是最早为此引入DNN的。他们的研究使用forward DNN和一个RNN来解决2说话人分离。作者说，在帧t时候，2个estimated sources的spectra，
最低0.47元/天 解锁文章
698
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
