摘要

连续语音分离在复杂语音相关任务（如对话转录）中发挥着至关重要的作用，其目标是从混合语音中提取出单一说话人的语音信号。本文在语音分离系统中采用Transformer和Conformer模型，取代传统的循环神经网络（RNN），我们认为基于自注意力机制的方法能够有效捕捉全局语音信息，这对语音分离任务至关重要。在LibriCSS数据集上的实验结果表明，所提出的Conformer分离模型取得了当前最优的性能：在逐句评估中，相比双向LSTM（BLSTM），词错误率（WER）相对降低23.5%；在连续评估中，WER相对降低15.4%。