AIxiv專欄是機(jī)器之心發(fā)布學(xué)術(shù)、技術(shù)內(nèi)容的欄目。過去數(shù)年，機(jī)器之心AIxiv專欄接收報道了2000多篇內(nèi)容，覆蓋全球各大高校與企業(yè)的頂級實(shí)驗(yàn)室，有效促進(jìn)了學(xué)術(shù)交流與傳播。如果您有優(yōu)秀的工作想要分享，歡迎投稿或者聯(lián)系報道。投稿郵箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com
在嘈雜的環(huán)境中，人類能夠?qū)Ｗ⒂谔囟ǖ恼Z音信號，這種現(xiàn)象被稱為「雞尾酒會效應(yīng)」。對于機(jī)器來說，如何從混合的音頻信號中準(zhǔn)確分離出不同的聲源是一個重要的挑戰(zhàn)。
語音分離（Speech Separation）能夠有效提高語音識別的準(zhǔn)確性，通常作為識別的前置步驟。因此，語音分離模型不僅需要在真實(shí)音頻上輸出分離良好的結(jié)果，同時還要滿足低延遲的需求。
近年來，深度學(xué)習(xí)在語音分離任務(wù)中的應(yīng)用受到了廣泛關(guān)注。盡管許多高性能的語音分離方法被提出，但仍有兩個關(guān)鍵問題未能得到充分解決：一是許多模型計算復(fù)雜度太高，未充分考慮實(shí)際應(yīng)用場景的需求；二是常用的語音分離數(shù)據(jù)集與真實(shí)場景存在較大差距，導(dǎo)致模型在真實(shí)數(shù)據(jù)上的泛化能力不足。
為了解決這些問題，清華大學(xué)的研究團(tuán)隊設(shè)計了一種名為 TIGER（Time-frequency Interleaved Gain Extraction and Reconstruction network）的輕量級語音分離模型，并提出了一個新的數(shù)據(jù)集 EchoSet，旨在更真實(shí)地模擬復(fù)雜聲學(xué)環(huán)境中的語音分離任務(wù)。
實(shí)驗(yàn)結(jié)果表明，TIGER 在壓縮 94.3% 參數(shù)量和 95.3% 計算量的同時，性能與當(dāng)前最先進(jìn)的模型 TF-GridNet [1] 相當(dāng)。
論文標(biāo)題：TIGER: Time-frequency Interleaved Gain Extraction and Reconstruction for Efficient Speech Separation
論文鏈接：https://arxiv.org/pdf/2410.01469
項(xiàng)目主頁：https://cslikai.cn/TIGER
GitHub 鏈接：https://github.com/JusperLee/TIGER
數(shù)據(jù)鏈接：https://huggingface.co/datasets/JusperLee/EchoSet
方法
語音分離任務(wù)的核心是從混合的音頻信號中恢復(fù)出每個說話者的清晰語音。傳統(tǒng)的語音分離模型通常直接在時域或頻域進(jìn)行處理，但往往忽略了時間和頻率維度之間的交互信息。為了更高效地提取語音特征，TIGER 模型采用了時頻交叉建模的策略，結(jié)合頻帶切分和多尺度注意力機(jī)制，顯著提升了分離效果。
TIGER 模型的整體流程可以分為五個主要部分：編碼器、頻帶切分模塊、分離器、頻帶恢復(fù)模塊和解碼器。首先，通過短時傅里葉變換（STFT）將混合音頻信號轉(zhuǎn)換為時頻表示。接著，將整個頻帶劃分為多個子帶，每個子帶通過一維卷積轉(zhuǎn)換為統(tǒng)一的特征維度。分離器由多個時頻交叉建模模塊（FFI）組成，用于提取每個說話者的聲學(xué)特征。最后，頻帶恢復(fù)模塊將子帶恢復(fù)到全頻帶范圍，并通過逆短時傅里葉變換（iSTFT）生成每個說話者的清晰語音信號。
TIGER 整體流程
頻帶切分
語音信號的能量分布在不同頻帶上并不均勻，中低頻帶通常包含更多的語音信息，而高頻帶則包含更多的噪聲和細(xì)節(jié)信息。為了減少計算量并提升模型對關(guān)鍵頻帶的關(guān)注，TIGER 采用了頻帶切分策略，根據(jù)重要性將頻帶劃分為不同寬度的子帶。這種策略不僅減少了計算量，還能讓模型更專注于重要的頻帶，從而提升分離效果。
分離器
語音信號的時間和頻率維度之間存在復(fù)雜的交互關(guān)系。為了更高效地建模這種交互關(guān)系，TIGER 引入了時頻交叉建模模塊（FFI）。為了減少參數(shù)，分離器由多個共享參數(shù)的 FFI 模塊構(gòu)成。每個 FFI 模塊包含兩個路徑：頻率路徑和幀路徑。
每個路徑都包含兩個關(guān)鍵子模塊：多尺度選擇性注意力模塊（MSA）和全頻 / 幀注意力模塊（FA）。通過交替處理時間和頻率信息，F(xiàn)FI 模塊能夠有效地整合時頻特征，提升語音分離的效果。
FFI 模塊內(nèi)部細(xì)節(jié)
多尺度選擇性注意力模塊（MSA）
為了增強(qiáng)模型對多尺度特征的提取能力，TIGER 引入了 MSA，通過多尺度卷積層和選擇性注意力機(jī)制，融合局部和全局信息。MSA 模塊分為三個階段：編碼、融合和解碼。
以頻率路徑為例，在編碼階段，通過多個一維卷積層逐步下采樣頻率維度，提取多尺度的聲學(xué)特征。在融合階段，使用選擇性注意力機(jī)制將局部特征和全局特征進(jìn)行融合，生成包含多尺度信息的特征。在解碼階段，通過上采樣和卷積操作逐步恢復(fù)頻率維度，最終輸出增強(qiáng)后的頻率特征。
MSA 模塊內(nèi)部細(xì)節(jié)（以頻率路徑為例）
全頻 / 幀注意力模塊（FA）
為了捕捉長距離依賴關(guān)系，TIGER 采用了全 / 頻幀注意力模塊（FA）。同樣以頻率路徑為例，首先采用二維卷積將輸入特征轉(zhuǎn)換為查詢（Query）、鍵（Key）和值（Value），然后將特征維度和時間維度合并，得到每個頻帶對應(yīng)的全幀信息。
通過自注意機(jī)制計算頻率維度上的注意力權(quán)重，用于加強(qiáng)頻帶間關(guān)系的捕捉，提升語音分離的效果。
FA 模塊內(nèi)部細(xì)節(jié)（以頻率路徑為例）
EchoSet：更接近真實(shí)聲學(xué)場景
的語音分離數(shù)據(jù)集
