摘要

我们提出了一种端到端可训练的单通道语音分离方法，适用于说话人数量未知的场景。该方法在MulCat语音分离主干网络的基础上，引入了额外的输出头：一个计数头（count-head），用于推断说话人数量；以及多个解码头（decoder-heads），用于重建原始语音信号。此外，我们还提出了一种新的评估指标，用于衡量在说话人数量可变情况下的语音分离性能。具体而言，我们解决了在真实标签中的说话人数量与模型预测数量不一致时，如何准确评估分离质量的问题。我们在WSJ0-mix数据集上进行了实验，处理的语音混合最多包含五位说话人。实验结果表明，我们的方法在说话人数量估计方面优于现有最先进方法，同时在重建语音信号的质量上也保持了较强的竞争力。