[发明专利]用于讲话者无关的多讲话者语音分离的置换不变训练

摘要

本文描述的技术改进了使计算设备能够在与讲话者无关的多讲话者场景中进行自动语音识别(“ASR”)的方法。在一些示例中，深度学习模型的置换不变训练可以用于与讲话者无关的多个讲话者场景。在一些示例中，该技术可以确定模型对源信号的估计与源信号之间的置换考虑的分配。在一些示例中，该技术可以包括训练生成估计的模型以最小化置换考虑的分配的偏差。这些技术可以实现为神经网络的结构本身，解决了标签置换问题，标签置换问题阻碍了基于深度学习的语音分离技术的进步。这里讨论的技术还可以包括源追踪以在混合信号的帧中追踪源自相同源的流。

主权项

1.一种训练用于从混合信号中分离源信号的模型的方法，所述方法包括：通过所述模型，从所述混合信号生成输出层，所述输出层是所述源信号的估计；确定要分配给所述输出层的标签的分配顺序，个体标签与个体源信号相关联，并且所述分配顺序被至少部分地基于个体输出层和个体源信号之间的最小总偏差分数；和优化所述模型的模型参数以最小化所确定的所述分配顺序的总偏差分数。