単一チャンネルスピーカー分離のためのソフトマスク手法

単一チャンネルスピーカー分離の問題は、興味のあるスピーカーによって発話された音声信号を、音響信号の混合を含む信号から抽出しようとするものです。この問題に対処するほとんどのアルゴリズムはマスキングに基づいており、混合信号のスペクトログラムから信頼できない周波数成分が抑制され、信頼できる成分が反転されて、興味のあるスピーカーの音声信号が得られます。現在の技術のほとんどは、このマスクをバイナリ方式で推定し、ハードマスクが生成されます。本論文では、興味のあるスピーカーの音声信号を音声信号の混合から分離するための2つの技術を提案します。一つの技術は、希望するスピーカーのすべてのスペクトル成分を推定します。もう一つの技術は、混合信号の周波数サブバンドに重みを付けるソフトマスクを推定します。いずれのケースでも、興味のあるスピーカーの音声信号は、得られた完全なスペクトル記述から再構築されます。これらのアルゴリズムは、元の形では計算コストが高いですが、アルゴリズムへの高速化されたファクタ近似も提案します。実験では、提案されたアルゴリズムが混合録音の中で個々のスピーカーの大幅な強化をもたらし、ハードバイナリマスクで得られる性能よりも一貫して良い結果を達成できることが示されています。