基于注意力机制的鸡尾酒会语音分离系统设计与多说话人重构.docxVIP

PAGE2

基于注意力机制的鸡尾酒会语音分离系统设计与多说话人重构

摘要

在复杂的声学环境中，有效分离目标语音并抑制背景干扰一直是语音信号处理领域的核心难题，即著名的“鸡尾酒会问题”。传统的信号处理方法在多说话人混叠场景下往往表现乏力，难以满足现代智能交互设备对语音清晰度的高要求。本课题旨在设计并实现一套基于注意力机制的鸡尾酒会语音分离系统，通过引入深度学习中的注意力模型，解决多说话人语音混叠时的特征提取与重构难题。系统核心采用编码器-解码器架构，结合注意力机制对混合语音信号的时频特征进行动态加权，从而精准分离并重构出独立的目标说话人语音。

本文首先分析了鸡尾酒会效应的现实痛点与技术瓶颈，确立了以尺度不变信噪比（SI-SNR）为核心优化的系统设计目标。在需求分析阶段，明确了系统需具备实时处理、高精度分离及多说话人重构等核心功能。总体设计阶段构建了端到端的语音分离架构，详细规划了特征提取、掩蔽估计与波形重构三大模块。详细设计阶段重点阐述了多头注意力机制与双向长短期记忆网络（Bi-LSTM）的融合算法，设计了相应的损失函数与优化策略。系统实现基于Python语言与PyTorch深度学习框架，完成了数据预处理、模型训练及推理接口的开发。最后，通过客观指标评价与主观听音测试，验证了系统在WSJ0-2mix数据集上的有效性。实验结果表明，系统平均SI-SNR提升值达到13.5dB，能够