该论文提出了一种基于深度学习的歌声分离方法，学习和优化了源依赖性遮罩，不需要使用后处理步骤，并引入了循环推断算法、稀疏变换步骤和学习去噪滤波器，同时也提高了单声道歌声分离的性能。

Nov, 2017

本文提出了一种时空神经滤波器，通过方向信息的辅助作用，从具有混响的多人语音混合物中直接估计目标语音波形，以提高目标和干扰源之间的时域、频域和空域可辨识度，并设计了一种全卷积自动编码器框架用于快速和端到端的语音分离处理。

Jan, 2020

在这篇论文中，我们提出了两种演讲者感知设计来改进现有的演讲者分离解决方案，第一种模型是演讲者调节网络，它集成语音样本来生成个性化的演讲者条件，从而为分离模块提供了有信息的指导来产生良好的分离结果；第二种设计旨在减少分离语音中的非目标语音，我们提出了消极距离来惩罚通道输出中任何非目标语音的出现，并提出积极距离将分离语音驱向干净的目标语音，我们探索了加权和和三元组等两种不同的设置来集成这两个距离，形成组合辅助损失函数用于分离网络，实验结果表明我们提出的模型的有效性。

Oct, 2022

使用深度学习中的音频 - 视觉语音分离网络，从混音状态中分离出指定说话者的语音，且仅使用目标说话者的单一面部图像，通过潜在空间的交叉模态生物识别任务中的面部外观获得条件特征，可隔离和提取这些说话者的语音，为语音分离任务中的通道交换问题提供解决方案，同时也适用于未知说话者。

May, 2020

本文提出了一种深度视听语音增强网络方法，借助于对应视频中的嘴唇信息，能够在多人同时说话的情境下，从语音信号中分离出个人的发言，该方法适用于训练时未涉及到的说话者，并在不受限制的环境下，展现了出色的定量和定性效果。

Apr, 2018

我们提出了一种使用门控神经网络在多个处理步骤中训练以将不同数量的混合说话人分离的新方法，该方法在保持每个输出通道中的说话人不变的同时。我们为每个可能的说话人数量训练了不同的模型，并使用具有最多说话人数的模型来选择给定样本中的实际说话人数。该方法在音频分离方面远远超过当前的技术水平，特别是在超过两个说话人的情况下。

Feb, 2020

本论文介绍了一种能够实时运行于设备上的单通道源分离模型，其可以从一个目标说话者的语音信号中仅保留语音信息，以优化流式语音识别系统的表现。该模型具有分离源、单通道、语音识别、自适应运行时和实时这些特别之处，并通过使用一种新的不对称损失和采用自适应运行时抑制强度来实现这些目标。本论文最终证明了，这种模型可以被量化为 8 位整型模型，并且可以实时运行于设备上。

Sep, 2020

提出了一种新的深度学习框架来解决混合谱中时域 - 频域混淆的问题并有效恢复说话者语音，其中将混合信号的时频表示投影到高维嵌入空间，并为每个说话者创建一个参考点吸引器，并将说话者的嵌入向量强制聚集到其相应的吸引器点附近，该方法在 Wall Street Journal 数据集上表现出与其他最先进的深度学习方法相媲美甚至更好的性能。

Jul, 2017

本文提出了一种音频 - 视觉声音分离方案，在两种不同场景（语音和唱歌）中实现了低时延的最新成果。该模型基于两级网络，采用轻量级图卷积网络从面部标记中提取运动线索，然后将视觉和音频特征输入到音频 - 视觉转换器中，为目标源的隔离估计提供相当不错的结果。在第二阶段，利用音频网络增强了主要的声音。我们进行了不同的消融研究和与最先进的方法比较。最后，我们探讨了在唱声分离任务中训练语音分离模型的可转移性。

Mar, 2022

本文利用生成对抗网络（GAN）和时频掩模函数提出了一种新的人声分离框架，通过在对抗训练过程中进行混合谱分布和清洁谱分布之间的近似来进行分离，利用监督学习初始化参数并利用无监督学习进行优化，实验结果表明该框架可以提高音频分离效果。

Oct, 2017