Page 212 - 《应用声学）》2023年第5期

1104 2023 年 9 月

从表 3 可以看出，在进行验证不同嵌入空间维
4 结论
数时，随着嵌入空间维数的增加有助于提高网络分
离性能，但当维数增加到一定值时，网络分离效果 本文介绍了在时域上用于单通道语声分离任
显著下降；当σ 为20时，SDRi和SI-SNRi达到最佳， 务的 Gate-conv cluster，首先将使用改进的堆叠双
分别为16.30 dB和15.89 dB。实验研究表明了在不 支路非线性门控卷积对编码后的语声进行建模，然
同维度嵌入空间的接近度会影响不同源信号特征 后通过实验研究了最优嵌入空间的维数，在高维特
单元聚类的性能 [19] ，同时也证明了在最优维度特征 征空间中进行聚类，追踪不同源信号的长时特征表
空间中Gate-conv cluster框架能够在语声分离任务 示；同时网络训练使用了基于目标语声的尺度不变
中表现得更好。 信噪比作为损失函数，实现端到端信号分离。实验
3.6 与不同聚类方法和基线 ConvTasNet 的研 结果表明，与基线 ConvTasNet 和以往传统聚类分
究比较 离的方法相比，Gate-conv cluster 框架具有更好的
通过以上实验验证分析研究，Gate-conv clus- 分离性能。
ter 在运行 100 个 epoch 后，与不同聚类方法和基线 由于时域卷积更关注语声的局部信息，因此，
ConvTasNet 在同一数据集 wsj0-2mix 下进行说话 下一阶段工作将使网络能够学习全局说话人信息，
人分离的研究比较，实验结果如表4所示。 提高语声分离模型的鲁棒性。

表 4 与不同聚类方法和基线 ConvTasNet 的
分离结果对比 参 考 文 献
Table 4 Comparison of separation results
of different clustering methods and base- [1] Wang D L, Chen J. Supervised speech separation based
on deep learning: an overview[J]. IEEE/ACM Transac-
line ConvTasNet
tions on Audio, Speech, and Language Processing, 2018,
26(10): 1702–1726.
模型 Causal SDRi/dB SI-SNRi/dB [2] Zeghidour N, Grangier D. Wavesplit: end-to-end speech
separation by speaker clustering[J]. IEEE/ACM Transac-
DPCL++ [3] x — 10.8
tions on Audio, Speech, and Language Processing, 2021,
DANet [4] x 10.3 10.5 29: 2840–2849.
[3] Hershey J R, Chen Z, Le Roux J, et al. Deep clustering:
ADANet [5] x 10.8 10.4
discriminative embeddings for segmentation and separa-
Chimera++ [6] x 12.0 11.5 tion[C]//2016 IEEE International Conference on Acous-
tics, Speech and Signal Processing (ICASSP). IEEE, 2016:
TasNet [7] x 13.6 13.2
31–35.
ConvTasNet [6] x 15.6 15.3 [4] Chen Z, Luo Y, Mesgarani N. Deep attractor network for
√ single-microphone speaker separation[C]//2017 IEEE In-
Gate-conv cluster 16.72 16.33
ternational Conference on Acoustics, Speech and Signal
从表 4 所示，在时域上，Gate-conv cluster 与 Processing (ICASSP). IEEE, 2017: 246–250.
[5] Luo Y, Chen Z, Mesgarani N. Speaker-independent speech
ConvTasNet 的 TCN 结构的基线 [8] 相比，在因果任 separation with deep attractor network[J]. IEEE/ACM
务中实现了端到端训练，SDRi和SI-SNRi分别能提 Transactions on Audio, Speech, and Language Process-
高1.12 dB 和1.03 dB；与之前聚类操作的网络架构 ing, 2018, 26(4): 787–796.
[6] Wang Z Q, Le Roux J, Hershey J R. Alternative objective
相比，性能明显优之前无语声建模的聚类框架，其 functions for deep clustering[C]//2018 IEEE International
中 SDRi 和 SI-SNRi 分别达到 16.72 dB 和 16.33 dB Conference on Acoustics, Speech and Signal Processing
的效果。实验证明了本文提出Gate-conv cluster，通 (ICASSP). IEEE, 2018: 686–690.
[7] Luo Y, Mesgarani N. TasNet: time-domain audio sepa-
过堆叠的门控卷积对语声进行深层次的建模，然
ration network for real-time, single-channel speech sepa-
后在最优维度的空间中，聚类对映射的特征单元 ration[C]//2018 IEEE International Conference on Acous-
进行表示和划分，为恢复不同信号源提供了一个 tics, Speech and Signal Processing (ICASSP). IEEE, 2018:
696–700.
长期的说话者表示信息，能够进一步提高语声分离
[8] Luo Y, Mesgarani N. Conv-TasNet: surpassing ideal time-
性能。 frequency magnitude masking for speech separation[J].