要約
複数の声が同時に発話される混合音声系列を分離するための新しい手法を提示する。本手法は、複数の処理ステップにおいて声を分離するように学習されたゲート付きニューラルネットワークを用いる。各出力チャンネルにおける話者を固定したまま、分離処理を実現する。可能な話者数ごとに異なるモデルを学習し、与えられたサンプルにおける実際の話者数は、話者数が最大のモデルを用いて決定する。実験の結果、従来の最先端手法と比較して本手法は著しく優れていることが示され、特に2人以上の話者が存在する場合、従来手法は競争力を持たないことが明らかになった。