Le clustering profond (DPCL) a été proposé par une équipe de recherche du Mitsubishi Electric Research Laboratory et de l'Université de Columbia en août 2015.Clustering profond : intégrations discriminantes pour la segmentation et la séparation".

DPCL est un framework d'apprentissage profond proposé pour résoudre le problème de séparation des sources sonores. Entraîné sur les caractéristiques du spectrogramme d'un mélange de deux locuteurs et testé sur un ensemble de mélanges de locuteurs non utilisés lors de l'apprentissage, le framework peut déduire une fonction de masquage améliorant la qualité du signal d'environ 6 dB. DPCL ne nécessite pas d'étiquettes de classe, ce qui le rend potentiellement adaptable à un large éventail de types de voix.