Recurrent Neural Networks (RNNs) waren lange die dominierende Architektur im Bereich der Sequenz-zu-Sequenz-Lernverfahren. RNNs sind jedoch inhärent sequenzielle Modelle, die eine Parallelisierung ihrer Berechnungen nicht zulassen. Transformers etablieren sich zunehmend als natürliche Alternative zu herkömmlichen RNNs, indem sie rekursive Berechnungen durch ein Multi-Head-Attention-Modul ersetzen. In diesem Paper stellen wir den SepFormer vor, ein neuartiges, RNN-freies, auf Transformers basierendes neuronales Netzwerk für die Sprachtrennung. Der SepFormer erlernt sowohl kurz- als auch langfristige Abhängigkeiten mittels eines mehrskaligen Ansatzes, der Transformers nutzt. Das vorgeschlagene Modell erreicht eine state-of-the-art (SOTA)-Leistung auf den Standard-Datensätzen WSJ0-2mix und WSJ0-3mix. Es erzielt eine SI-SNRi von 22,3 dB auf WSJ0-2mix und eine SI-SNRi von 19,5 dB auf WSJ0-3mix. Der SepFormer übernimmt die Vorteile der Parallelisierung von Transformers und zeigt selbst bei einer Reduktion der kodierten Darstellung um den Faktor 8 eine konkurrenzfähige Leistung. Er ist somit erheblich schneller und weniger speicherintensiv als die neuesten Systeme für Sprachtrennung mit vergleichbarer Leistungsfähigkeit.