近期，一种完全监督的说话人分离方法（UIS-RNN）被提出，该方法通过多个共享参数的循环神经网络来建模说话人。本文对这一模型进行了若干定性改进，显著提升了学习效率与整体分离性能。具体而言，我们提出了一种新的损失函数，称为“样本均值损失”（Sample Mean Loss），并引入了一种更优的说话人发言段行为建模方法，通过构建解析表达式来计算新说话人加入对话的概率。此外，我们证明了所提出的模型可基于固定长度的语音片段进行训练，从而在推理阶段无需依赖说话人切换信息。在DIHARD II挑战赛所使用的多领域数据集上，以x-vectors作为输入特征，实验结果表明，我们的在线方法相较于原始的UIS-RNN有明显提升，并达到了与使用PLDA打分的离线聚合聚类基线相当的性能水平。