本研究提出一种双路径变换网络（DPTNet）进行端到端语音分离，引入了直接上下文感知建模。改进的变换器使元素之间可以直接交互，并且双路径结构使得模型效率更高，实验结果表明，我们的方法优于当前最先进的模型（公共 WSj0-2mix 数据集上的 20.6 dB SDR）。

Jul, 2020

本文提出了一种名为 DPRNN 的新型深度循环神经网络机制，它通过将输入序列分成较小的块并迭代应用区域内和区域间操作来模拟极长序列。实验结果表明，在使用 DPRNN 和在时域中应用样本级建模的 TasNet 中，相对于之前的最佳系统，使用比原来小 20 倍的模型在 WSJ0-2mix 上实现了新的最先进性能。

Oct, 2019

我们介绍了一种新的基于语音分离引导的在线发言人分化方案，适用于持续变动的说话人数量的长时间会议录音。

Jan, 2024

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

本文中我们提出了基于深度神经网络和循环神经网络的空间选择性滤波器 (SSF)，在多扬声器多声道分离任务中，可以从混合信号中提取出特定说话者的声音信息，并与直接分离方法进行了比较。结果表明，SSF 具有更好的空间信息利用和泛化能力。

Apr, 2023

本文针对多说话人环境下的鲁棒语音处理，提出了使用时域音频分离网络 (TasNet) 直接对信号进行建模，通过编码器输出估计源掩码、并经过解码器进行合成的方法，该方法适用于实时应用，并能在低功耗情况下完成语音分离任务，是当前最先进的语音分离算法之一。

Nov, 2017

在本文中，我们提出了一种名为 TDFNet 的音视频语音分离模型，该模型建立在 TDANet 架构基础上，以更高效的方式实现声音和图像网络的融合，使得在音视频领域的语音分离具有更高效和高效的解决方案，并在性能上显著超越了以前的最先进方法 CTCNet。

Jan, 2024

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

语音分离对于多说话者技术研究人员来说仍然是一个重要的课题。卷积增强变换器（conformers）在许多语音处理任务中表现良好，但在语音分离方面研究较少。最近的最新分离模型一直是时域音频分离网络（TasNets）。一些成功的模型利用了双路径（DP）网络，这些网络顺序处理本地和全局信息。时域 conformers（TD-Conformers）是 DP 方法的一种类似方式，它们也顺序处理本地和全局上下文，但时间复杂性函数不同。结果表明，在现实中较短的信号长度下，控制特征维度时 conformers 更有效。提出了子采样层以进一步提高计算效率。最佳的 TD-Conformer 在 WHAMR 和 WSJ0-2Mix 基准测试上分别实现了 14.6 dB 和 21.2 dB 的 SISDR 改进。

Oct, 2023

通过利用较小的音频块作为输入，我们提出了一种名为 DPATD 的双相音频变压器模型，该模型组织了一个深层结构的变压器层以学习用于降噪的清洁音频序列。广泛的实验证明我们的模型优于现有技术方法。

Oct, 2023