摘要

近期在利用单个音频通道分离多个重叠说话人的语音信号方面取得的进展，使我们离解决鸡尾酒会问题更近了一步。然而，该领域的大多数研究采用了受限的问题设置，即在说话人几乎完全重叠、采样率人为降低且没有外部背景噪声的情况下比较性能。本文旨在推动该领域向更加现实和具有挑战性的场景发展。为此，我们创建了WSJ0 Hipster Ambient Mixtures（WHAM!）数据集，该数据集由wsj0-2mix数据集中的双说话人混合信号与真实的环境噪声样本结合而成。这些样本是在旧金山湾区的咖啡馆、餐厅和酒吧收集的，并已公开提供。我们对各种语音分离架构和目标函数进行了基准测试，以评估它们在噪声环境下的鲁棒性。尽管噪声导致分离性能下降，但大多数方法相对于含噪信号仍表现出显著的改进。