WangDeLiangReview2018 - (5.4)说话人分离

【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，