Séparer et Reconstruire : Encodeur-Décodeur Asymétrique pour la Séparation de la Parole

Dans le domaine de la séparation vocale, les approches dans le domaine temporel ont réussi à remplacer le domaine temps-fréquence par des caractéristiques de séquence latente issues d'un encodeur apprenable. Traditionnellement, ces caractéristiques sont séparées en caractéristiques spécifiques à chaque locuteur au stade final du réseau. Nous proposons, en revanche, une stratégie plus intuitive qui sépare les caractéristiques plus tôt en élargissant la séquence de caractéristiques avec une dimension supplémentaire correspondant au nombre de locuteurs. Pour réaliser cela, une stratégie asymétrique est présentée, où l'encodeur et le décodeur sont divisés pour effectuer des traitements distincts lors des tâches de séparation. L'encodeur analyse les caractéristiques, et sa sortie est divisée en fonction du nombre de locuteurs à séparer. Les séquences séparées sont ensuite reconstruites par un décodeur partageant les poids, qui effectue également un traitement inter-locuteurs. Sans s'appuyer sur des informations sur les locuteurs, le réseau partageant les poids dans le décodeur apprend directement à discriminer les caractéristiques en utilisant un objectif de séparation. De plus, pour améliorer les performances, les méthodes traditionnelles ont étendu la longueur des séquences, conduisant à l'adoption de modèles à double voie (dual-path), qui traitent efficacement des séquences beaucoup plus longues en les segmentant en tronçons. Pour répondre à ce problème, nous introduisons des blocs Transformer globaux et locaux qui peuvent traiter directement des séquences longues de manière plus efficace sans segmentation ni traitement à double voie. Les résultats expérimentaux ont montré que cette structure asymétrique est efficace et que la combinaison des blocs Transformer globaux et locaux proposés peut suffisamment remplacer le rôle du traitement inter- et intra-tronçons dans la structure à double voie. Enfin, le modèle présenté combinant ces deux aspects a atteint des performances d'état de l'art avec beaucoup moins de calculs dans divers jeux de données de référence.