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

本文对近年来基于深度学习的监督式语音分离算法进行了全面的综述，包括语音增强、讲话人分离、去混响以及多麦克风技术，并重点讨论监督学习中独特的泛化问题。

Aug, 2017

我们提出了一种联合音频-视觉模型，用于从包括其它说话者和背景噪声在内的混合声音中分离单个语音信号，并且利用深度学习和 AVSpeech 数据集，实现了人脸指定后的语音分离任务，相较于仅使用音频的方法，在多说话人的情况下表现出更好的效果。

Apr, 2018

本研究从深度学习和计算听觉场景分析（CASA）的角度来处理与说话者无关的单声道扬声器分离问题。研究中，我们将多扬声器分离任务分解为同时分组和顺序分组两个阶段，并使用神经网络实现这两个阶段的分离。实验表明，这种方法在小型模型的情况下取得了最先进的结果。

Apr, 2019

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

该论文提出了一种无监督的单声道声音分离方法 MixIT，使用了单声道混音样本数据，在不需要声源真实数据的情况下，通过提取出隐变量进行声源分离和重构，从而实现了与有监督方法相当的性能，可用于半监督学习和无监督领域适应。

Jun, 2020

本文提出了一种无监督的基于模型的深度学习方法，用于音频源分离，该方法通过参数化源过滤器模型对每个源进行建模，并使用神经网络以基本频率估计源模型的参数来重构观察到的混合音频信号，实验证明该方法具有较高的数据效率和好的分离效果。

Jan, 2022

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

本文提出了一种新的无监督算法损失函数，称为混响作为监督（RAS），使用两个信道的混合信号，训练神经网络以分离源，并通过维纳滤波器来评估所分离出的混响信号。实验结果表明，相对于只使用已标注数据和使用完整数据的有监督算法，本方法在只有5%到10%的标注数据时可以获得可观的性能优越性。

Nov, 2022

本文提出了一种神经方法，用于远程语音识别（DSR），它能够在没有隔离信号的监督情况下，同时分离和解麦克风混合的语音，并没有未知数量的活跃说话者。

Jun, 2024