コンフォーマを用いた連続音声分離

連続音声分離は、会話の音声認識など複雑な音声関連タスクにおいて重要な役割を果たす。この分離モデルは、混合音声から単一話者による音声信号を抽出する。本研究では、音声分離システムにおいて再帰型ニューラルネットワーク（RNN）の代わりにTransformerおよびConformerを採用した。その理由は、自己注意機構（self-attention）に基づく手法により、音声分離においてグローバルな情報を効果的に捉えることが極めて重要であると考えたためである。LibriCSSデータセットを用いた評価において、Conformerを用いた分離モデルは最先端の性能を達成し、発話単位での評価では双向LSTM（BLSTM）と比較して語誤り率（WER）を23.5％相対的に低減し、連続評価では15.4％のWER低減を実現した。