跳到主要内容
检索

# 文本引导条件化

1 篇关联报道

订阅更新
  1. arXiv

    一句话就能挑出想听的声音:Textraction 用同一套权重兼顾单麦与双麦,空间提取达 10.53 dB

    Textraction 把说话人提取与语音增强放进同一个模型:用户用自然语言说明要保留或去掉哪位说话人、哪种噪声,模型一次前向就输出目标,不再先分离再挑选。它用轻量文本检索编码器替代大语言模型,并让提示与录音配置在每一层参与条件化,因此单通道与双通道输入共享后续网络。在模拟混响数据上,属性引导提取达到 11.11 dB(多通道)和 10.83 dB(单通道)SI-SDR,空间引导提取为 10.53 dB,增强任务为 18.66 dB(多通道)和 18.15 dB(单通道)。

已读完全部报道