目标说话人提取

针对真实四人对话中目标说话人长期静音与朗读式注册语音失配问题，该工作用随机 VAD 掩蔽损失把 STOI 从 0.55 提升到 0.60、fwSegSNR 从 4.35 提升到 5.12，代价是仍需保留部分静音训练并受注册相似度制约。

论文研究餐馆噪声下四人对话的同伴语音抽取，选择带说话人注册的目标说话人抽取与因果约束，用听音转写正确率与 P.835 质量分证明头部系统相对基线有实质提升，而客观指标与听感排名不一致且保留噪声与保真度不可兼得。

针对漫射噪声下单目标实时提取问题，论文用最大加权似然把 NSR-ILRMA 与 RCSCME 改写为逐帧在线更新，并在静止与移动说话人仿真及真实录音中对比在线与分块批处理路线，其代价是每帧仍需矩阵求逆加速与稳定性控制且处理时间接近移位长度。

论文冻结分离主干只换状态机制，用 22 组启发式更新测出稳定性-可塑性前沿，再用闭环元训练的 41k 参数锚定快权重在严重失配下达 10.9 dB 并在 30 s 缺席后保留 6.2 dB，代价是匹配短句略低于静态注册且依赖通道增强覆盖。

针对强混响重叠与残留回声下的实时目标语音提取问题，该工作用分区多输出前端加在线波束形成再加跨波束细化的三段流水线，在十九点八七五毫秒延迟约束下把开发集可懂度和感知质量从基线附近明显抬高，而第二阶段更干净的主观听感反而在受污染近讲参考下出现客观分下降。

针对助听设备的多通道目标说话人提取问题，MBSRNN 用 33 子带切分分别处理混合语音与注册语音并以 FiLM 交错 LSTM 注入说话人信息，在 CHiME-9 开发集流式条件下把 fwSNRseg 从基线约 2.2 提升到约 4.4 至 4.6，代价是约 53.1M 参数与处理一秒片段约 224.3 GMACs 运算量以及 STOI 未稳定提升。

针对可穿戴多通道录音中佩戴者自干扰过强与注册音频失配问题，论文用佩戴者抑制加目标提取加后处理三阶段流水线，在开发集上多数客观指标超过官方基线，在测试集上以可懂度下降为代价换取目标语音质量与总体质量提升。

共收录 14 篇 chime-2026 会议论文的 Reader 深度解读

该文在因果多通道 TF-GridNet 基线上把复谱回归改为有界幅度掩蔽加混合相位复用并配多分辨率谱损失，方法 2 再把全局 FiLM 换成 16 个说话人令牌的交叉注意力 FiLM，在 CHiME-9 开发集上以频率加权信噪比下降为代价换取 Csig 感知质量提升且保持 20 毫秒算法延迟。

针对多人同时交谈的重叠语音识别问题，该工作在 AV-HuBERT 识别主路径之外并联一个在 FBank 特征层面重建目标与干扰的 AV-TSE 辅助任务，并在 MCoRec 开发集上把词错误率从 49.90% 降到 49.55%，代价是需要仿真混合数据提供干净特征监督且推理时不使用提取分支。

针对多人多会话同时进行的真实鸡尾酒会转写与会话聚类问题，论文采用先用 CTRnet 消除近讲串扰再用其输出做伪标签微调 AV-TFGridNet 视听目标说话人提取的两阶段路线，在开发集上用 AV-HuBERT 转写达到 33.78% 联合错误率，代价是仍依赖说话人活动时间戳弱监督与未做提取后 ASR 适配时约 48% 说话人词错误率。

针对四人围桌、佩戴者遮挡与极低信噪比下的低延迟目标语音提取，该工作用近距到远距投影生成相位幅度对齐的训练参考以启用 SI-SNR 训练，并用固定零陷波束形成抑制佩戴者语音加确定性递归增强渐进精炼，在 Aria 设备上显著超过基线，但频率补偿会以残留噪声为代价恢复高频。

针对目标与干扰在单个阵列看来同方向而波束形成失效的问题，该研究用几何约束线性解混做空间滤波、再用跨阵列非目标估计构建多通道维纳后置滤波，在三阵列混响实验中多数指标超过 NMF 与 NTF 基线，但稀疏先验强度与混响条件会带来失真与抑制的权衡。

该文以目标方向对应的个性化头相关传输函数为线索，用全复数神经网络从双耳混合中提取目标并保留双耳线索，在无混响下取得清晰提取、在混响下兼顾去混响，但混响下的客观语音质量仍低于同期强基线。

该文研究混响加定向噪声下两人混合的多麦目标说话人提取，对比瞬时相对传递函数、已知波达方向和单通道声纹三种配准线索，随机位置上瞬时相对传递函数取得 9.2 dB 和 0.81 的分离与可懂度，同波达方向下仍保持 8.8 dB，代价是需要与目标同位置的无噪配准信号。

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

该文针对独立向量抽取中源先验不准与二阶算法需要快速求导的问题，用许瓦里宁分数匹配训练正弦多层源非线性，并在仿真与目标说话人抽取中报告了对传统模型的系统性提升与对微调噪声指示器的累积增益。

针对目标说话人提取中干扰声与目标方向接近且混响模糊空间线索的问题，该工作在 SpatialNet 骨干上加入区域方向卷积、高斯核距离编码与混响参数调制，并在方位差为零的极端条件下报告大幅提升，但小距离间隔叠加相似混响指纹时仍有退化。

针对已知说话人提取任务，论文提出掩码加深滤波的 DualDF 并用逐块特征蒸馏把块数与隐层压缩，教师约 12 块 224 维、学生在 6 块 120 维等配置下仍保持目标音质，代价是背景抑制主要依赖掩码分支且轻量学生仍需教师监督。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读