语音分离 | SPMAMBA: STATE-SPACE MODEL IS ALL YOU NEED IN SPEECH SEPARATION

一、文章摘要

        在语音分离方面，基于CNN和Transformer的模型都展示了强大的分离能力，在研究界引起了极大的关注。然而，基于cnn的方法对长序列音频的建模能力有限，导致分离性能不理想。而基于Transformer的方法由于计算复杂度高，在实际应用中也受到限制。值得注意的是，在计算机视觉中，基于Mamba的方法以其强大的性能和减少的计算需求而闻名。本文，提出了一种使用状态空间模型的语音分离网络架构，称之为SPMamba。

二、本文方法

2.1 TF-GridNet

        本文在TF-GridNet[1] 基础上把BLSTM替换为一个双向曼巴模块，旨在捕获更广泛的上下文信息。

TF-GridNet 模型-1

TF-Gr