电气工程与系统科学 > 音频与语音处理
[提交于 2025年8月28日
]
标题: 多说话人编码器的说话人分离、分离和ASR统一
标题: Unifying Diarization, Separation, and ASR with Multi-Speaker Encoder
摘要: 本文提出了一种统一的多说话人编码器(UME),这是一种新颖的架构,通过共享的语音基础编码器联合学习说话人分割(SD)、语音分离(SS)和多说话人自动语音识别(ASR)任务的表示。 我们利用UME多个层的隐藏表示作为残差加权求和编码(RWSE),以有效利用不同语义层次的信息,有助于任务之间的自下而上对齐。 这种联合训练方法捕捉了任务之间的固有相互依赖关系,提高了重叠语音数据的整体性能。 我们的评估表明,UME在LibriMix评估集上显著优于专门针对SD、SS和多说话人ASR的单任务基线。 值得注意的是,对于SD,UME优于之前的研究,在Libri2Mix和Libri3Mix评估集上分别实现了1.37%和2.29%的分割错误率。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.