Progrès en séparation de la parole : techniques, défis et tendances futures

papers.abstract

Le domaine de la séparation de la parole, qui s'attaque au "problème du cocktail party", a connu des avancées révolutionnaires grâce aux réseaux de neurones profonds (DNN). La séparation de la parole améliore la clarté dans des environnements acoustiques complexes et sert de prétraitement crucial pour la reconnaissance vocale et la reconnaissance du locuteur. Cependant, la littérature actuelle se concentre de manière étroite sur des architectures spécifiques ou des approches isolées, créant une compréhension fragmentée. Cette étude comble cette lacune en fournissant un examen systématique des techniques de séparation de la parole basées sur les DNN. Notre travail se distingue par : (I) Une perspective complète : Nous examinons systématiquement les paradigmes d'apprentissage, les scénarios de séparation avec des locuteurs connus/inconnus, une analyse comparative des cadres supervisés/auto-supervisés/non supervisés, et les composants architecturaux des encodeurs aux stratégies d'estimation. (II) Actualité : La couverture des développements de pointe garantit l'accès aux innovations et aux benchmarks actuels. (III) Des insights uniques : Au-delà de la synthèse, nous évaluons les trajectoires technologiques, identifions les tendances émergentes et mettons en lumière des directions prometteuses, notamment les cadres robustes aux domaines, les architectures efficaces, l'intégration multimodale et les nouveaux paradigmes auto-supervisés. (IV) Une évaluation équitable : Nous fournissons des évaluations quantitatives sur des jeux de données standard, révélant les véritables capacités et limites des différentes méthodes. Cette étude exhaustive sert de référence accessible pour les chercheurs expérimentés et les nouveaux venus naviguant dans le paysage complexe de la séparation de la parole.

English

The field of speech separation, addressing the "cocktail party problem", has seen revolutionary advances with DNNs. Speech separation enhances clarity in complex acoustic environments and serves as crucial pre-processing for speech recognition and speaker recognition. However, current literature focuses narrowly on specific architectures or isolated approaches, creating fragmented understanding. This survey addresses this gap by providing systematic examination of DNN-based speech separation techniques. Our work differentiates itself through: (I) Comprehensive perspective: We systematically investigate learning paradigms, separation scenarios with known/unknown speakers, comparative analysis of supervised/self-supervised/unsupervised frameworks, and architectural components from encoders to estimation strategies. (II) Timeliness: Coverage of cutting-edge developments ensures access to current innovations and benchmarks. (III) Unique insights: Beyond summarization, we evaluate technological trajectories, identify emerging patterns, and highlight promising directions including domain-robust frameworks, efficient architectures, multimodal integration, and novel self-supervised paradigms. (IV) Fair evaluation: We provide quantitative evaluations on standard datasets, revealing true capabilities and limitations of different methods. This comprehensive survey serves as an accessible reference for experienced researchers and newcomers navigating speech separation's complex landscape.

Progrès en séparation de la parole : techniques, défis et tendances futures

Advances in Speech Separation: Techniques, Challenges, and Future Trends

papers.abstract

Support