基于深层声学特征的端到端语音分离

这是发表在计算机系统应用的2019的期刊

概述

传统的声学提取特征方法需要经过傅里叶变换等操作，这会造成语音能量损失和时间上的延时，为了改善问题，提出了端到端。

文章结构

这篇文章的写作思路很值得借鉴，尤其用了大量对比，有助于论文的构想。

首先给出了语音分离的概念：指多个说话人的混合语音中分离得到想要的语音数据，源于著名的鸡尾酒会问题。本文主要研究两个说话人混合的情况。

 鸡尾酒会问题：指人的一种听力选择能力，注意力集中在某个人的谈话之中而忽略背景中其他的对话或噪音，揭示了人类听觉系统中令人惊奇的能力，即我们可以在噪声中谈话。

特征提取是至关重要的步骤，但传统的声学特征的提取需要经过一系列复杂的操作，这回造成能量损失和长时间延迟。所以本文通过网络来学习语音信号的更深层声学特征，实现端到端的语音分离。

1.基于传统声学特征的语音分离

这部分列出了传统声学特征的语音分离算法，同时也提出了传统声学特征的语音分离算法的缺点，引出深层声学特征（deep acoustic feature，DAF），实现端到端语音分离。

2.基于深层声学特征的端到端语音分离

3.实验结果和分析

对评价指标进行介绍，不同损失函数对比，不同算法对比，网络结构，时间延迟对比。