在嘈雜的環(huán)境中，人類能夠?qū)Ｗ⒂谔囟ǖ恼Z音信號(hào)，這種現(xiàn)象被稱為「雞尾酒會(huì)效應(yīng)」。對(duì)于機(jī)器來說，如何從混合的音頻信號(hào)中準(zhǔn)確分離出不同的聲源是一個(gè)重要的挑戰(zhàn)。

語音分離（Speech Separation）能夠有效提高語音識(shí)別的準(zhǔn)確性，通常作為識(shí)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(shí)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(gè)關(guān)鍵問題未能得到充分解決：一是許多模型計(jì)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(duì)設(shè)計(jì)了一種名為 TIGER（Time-frequency Interleaved Gain Extraction and Reconstruction network）的輕量級(jí)語音分離模型，并提出了一個(gè)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(jì)算量的同時(shí)，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(hào)中恢復(fù)出每個(gè)說話者的清晰語音。傳統(tǒng)的語音分離模型通常直接在時(shí)域或頻域進(jìn)行處理，但往往忽略了時(shí)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(shí)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(gè)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(shí)傅里葉變換（STFT）將混合音頻信號(hào)轉(zhuǎn)換為時(shí)頻表示。接著，將整個(gè)頻帶劃分為多個(gè)子帶，每個(gè)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(gè)時(shí)頻交叉建模模塊（FFI）組成，用于提取每個(gè)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(shí)傅里葉變換（iSTFT）生成每個(gè)說話者的清晰語音信號(hào)。

TIGER 整體流程

頻帶切分

語音信號(hào)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(jì)算量并提升模型對(duì)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(jì)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(hào)的時(shí)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(shí)頻交叉建模模塊（FFI）。為了減少參數(shù)，分離器由多個(gè)共享參數(shù)的 FFI 模塊構(gòu)成。每個(gè) FFI 模塊包含兩個(gè)路徑：頻率路徑和幀路徑。

每個(gè)路徑都包含兩個(gè)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（F3A）。通過交替處理時(shí)間和頻率信息，F(xiàn)FI 模塊能夠有效地整合時(shí)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(duì)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(gè)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(gè)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（F3A）

為了捕捉長距離依賴關(guān)系，TIGER 采用了全 / 頻幀注意力模塊（F3A）。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(shí)間維度合并，得到每個(gè)頻帶對(duì)應(yīng)的全幀信息。

通過自注意機(jī)制計(jì)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。

F3A 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

現(xiàn)有的語音分離數(shù)據(jù)集往往與真實(shí)世界的聲學(xué)環(huán)境存在較大差距，導(dǎo)致模型在實(shí)際應(yīng)用中的泛化能力不足。為了更真實(shí)地模擬復(fù)雜聲學(xué)環(huán)境中的語音分離任務(wù)，研究團(tuán)隊(duì)提出了 EchoSet 數(shù)據(jù)集，該數(shù)據(jù)集不僅包含噪聲，還模擬了真實(shí)的混響效果（如考慮物體遮擋和材料特性），并且說話人之間語音重疊比例是隨機(jī)的。

不同數(shù)據(jù)集特性對(duì)比

EchoSet 數(shù)據(jù)集的構(gòu)建基于 SoundSpaces 2.0 平臺(tái) [2] 和 Matterport3D 場景數(shù)據(jù)集 [3]，能夠模擬不同聲學(xué)環(huán)境中的語音混響效果。通過隨機(jī)采樣語音和噪聲，并考慮房間的幾何形狀和材料特性，EchoSet 數(shù)據(jù)集生成了包含 20,268 條訓(xùn)練語音、4,604 條驗(yàn)證語音和 2,650 條測試語音的高保真數(shù)據(jù)集。

實(shí)驗(yàn)表明，使用 EchoSet 訓(xùn)練的模型在真實(shí)世界數(shù)據(jù)上的泛化能力顯著優(yōu)于其他數(shù)據(jù)集訓(xùn)練的模型，驗(yàn)證了 EchoSet 的實(shí)用價(jià)值。

常見語音分離模型在不同數(shù)據(jù)集上訓(xùn)練后，在真實(shí)世界采集數(shù)據(jù)上的泛化性能比較

實(shí)驗(yàn)

研究團(tuán)隊(duì)在多個(gè)數(shù)據(jù)集上對(duì) TIGER 進(jìn)行了全面評(píng)估，包括 Libri2Mix、LRS2-2Mix 和 EchoSet。實(shí)驗(yàn)結(jié)果顯示，隨著數(shù)據(jù)集的復(fù)雜性增加，TIGER 的性能優(yōu)勢越加顯著。在 EchoSet 數(shù)據(jù)集上，TIGER 的性能比 TF-GridNet 提升了約 5%，同時(shí)參數(shù)量和計(jì)算量分別減少了 94.3% 和 95.3%。在真實(shí)世界采集的數(shù)據(jù)上（見上圖），TIGER 同樣表現(xiàn)出了最佳的分離性能。

常見語音分離模型性能和效率比較

研究團(tuán)隊(duì)通過進(jìn)一步壓縮參數(shù)，探索了 TIGER 的輕量化潛力。在 100K 的參數(shù)規(guī)模下，TIGER（tiny）在 Echoset 上的性能顯著優(yōu)于基 GC3 方法 [4] 壓縮的 SudoRM-RF 模型 [5]，表明 TIGER 在參數(shù)量和計(jì)算成本較低的情況下，仍能提供卓越的語音分離性能。

SudoRM-RF + GC3 與 TIGER (tiny) 的性能和效率比較

此外，TIGER 在電影音頻分離任務(wù)中也表現(xiàn)出了強(qiáng)大的泛化能力。實(shí)驗(yàn)結(jié)果顯示，TIGER 在分離電影音頻中的語音、音樂和音效時(shí)，在保持輕量的情況下，性能顯著優(yōu)于其他模型，進(jìn)一步驗(yàn)證了其在復(fù)雜聲學(xué)環(huán)境中的適用性。

TIGER 在電影音頻分離任務(wù)上的性能和效率