Vooruitgang in Spraakscheiding: Technieken, Uitdagingen en Toekomstige Trends

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

August 14, 2025

Auteurs: Kai Li, Guo Chen, Wendi Sang, Yi Luo, Zhuo Chen, Shuai Wang, Shulin He, Zhong-Qiu Wang, Andong Li, Zhiyong Wu, Xiaolin Hu

cs.AI

Samenvatting

Het vakgebied van spraakscheiding, dat het "cocktailpartyprobleem" aanpakt, heeft revolutionaire vooruitgang geboekt met DNN's (Deep Neural Networks). Spraakscheiding verbetert de helderheid in complexe akoestische omgevingen en fungeert als cruciale voorbewerking voor spraakherkenning en sprekerherkenning. De huidige literatuur richt zich echter nauw op specifieke architecturen of geïsoleerde benaderingen, wat leidt tot een gefragmenteerd begrip. Deze overzichtsstudie vult deze leemte door een systematisch onderzoek te bieden naar DNN-gebaseerde spraakscheidingsmethoden. Ons werk onderscheidt zich door: (I) Een uitgebreid perspectief: We onderzoeken systematisch leerparadigma's, scheidingsscenario's met bekende/onbekende sprekers, een vergelijkende analyse van supervised/self-supervised/unsupervised frameworks, en architectuurcomponenten van encoders tot schattingsstrategieën. (II) Actualiteit: De dekking van de nieuwste ontwikkelingen zorgt voor toegang tot actuele innovaties en benchmarks. (III) Unieke inzichten: Naast samenvatting evalueren we technologische trajecten, identificeren we opkomende patronen en belichten we veelbelovende richtingen, waaronder domeinrobuuste frameworks, efficiënte architecturen, multimodale integratie en nieuwe self-supervised paradigma's. (IV) Eerlijke evaluatie: We bieden kwantitatieve evaluaties op standaarddatasets, waardoor de werkelijke mogelijkheden en beperkingen van verschillende methoden worden onthuld. Deze uitgebreide overzichtsstudie dient als een toegankelijk referentiewerk voor ervaren onderzoekers en nieuwkomers die de complexe wereld van spraakscheiding verkennen.

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.