【Google Research】Wavesplit:通过说话者聚类实现端到端的语音分离，Wavesplit: End-to-End Speech Separation by Speaker Clustering

题目： Wavesplit: End-to-End Speech Separation by Speaker Clustering

摘要：

本文介绍了一种端到端的语音分离系统Wavesplit。从混合语音的单一记录中，该模型推断和聚集了每个说话者的表征，然后根据推断的表征估计每个源信号。该模型根据原始波形进行训练，共同完成这两项任务。该模型通过聚类的方法推导出一组说话人表示，解决了语音分离的基本排列问题。此外，与以前的方法相比，序列范围的扬声器表示提供了更健壮的长而有挑战性的序列分离。我们证明Wavesplit在2个或3个扬声器(WSJ0-2mix、WSJ0-3mix)的混合物上，以及在有噪声(WHAM!)和混响 (WHAMR!)的情况下，都比以前的技术水平要好。此外，我们通过引入在线数据增强来进一步改进我们的模型。