对于重叠语音的分离

[rookie0607]

老师好，想请教一下，对于如Alimeeting这种高重叠的数据集做asr的前端是选择语音分离还是目标说话人提取呢？

[alibabasglab]

你好，如果你能获得目标说话人的参考语音，并希望进行说话人归类的操作，可以考虑进行目标说话人提取。如果没有上述需求，直接使用语音分离就可以。

[rookie0607]

你好，如果你能获得目标说话人的参考语音，并希望进行说话人归类的操作，可以考虑进行目标说话人提取。如果没有上述需求，直接使用语音分离就可以。

感谢您的回复，如果说待处理的音频为远场，那么目标说话人的语音使用近场还是远场呢？ @alibabasglab

[alibabasglab]

你好，如果你能获得目标说话人的参考语音，并希望进行说话人归类的操作，可以考虑进行目标说话人提取。如果没有上述需求，直接使用语音分离就可以。

感谢您的回复，如果说待处理的音频为远场，那么目标说话人的语音使用近场还是远场呢？ @alibabasglab

基本上使用目标说话人的近场语音会比较稳定，远场语音的说话人特征没有近场稳定。

[rookie0607]

感谢您的建议

…

---- 回复的原邮件 ---- | 发件人 | Shengkui ***@***.***> | | 发送日期 | 2025年01月10日 10:45 | | 收件人 | modelscope/ClearerVoice-Studio ***@***.***> | | 抄送人 | kk ***@***.***>, Author ***@***.***> | | 主题 | Re: [modelscope/ClearerVoice-Studio] 对于重叠语音的分离 (Issue #41) | 你好，如果你能获得目标说话人的参考语音，并希望进行说话人归类的操作，可以考虑进行目标说话人提取。如果没有上述需求，直接使用语音分离就可以。 感谢您的回复，如果说待处理的音频为远场，那么目标说话人的语音使用近场还是远场呢？ @alibabasglab 基本上使用目标说话人的近场语音会比较稳定，远场语音的说话人特征没有近场稳定。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***>

[rookie0607]

大佬，如何构建自有数据集用于目标说话人提取的模型训练呢？ @alibabasglab

[alibabasglab]

请问您准备训练纯语音的目标说话人提取模型，还是要加入视频信息？

[rookie0607]

请问您准备训练纯语音的目标说话人提取模型，还是要加入视频信息？

加入视频信息

[rookie0607]

请问您准备训练纯语音的目标说话人提取模型，还是要加入视频信息？

加入视频信息

@alibabasglab