PulseAugur
中
实时 10:20:17
English(EN) StarTSE: Towards Streaming Target Speaker Extraction via Chunk-wise Interleaved Splicing of Autoregressive Language Model

新的自回归模型实现实时说话人提取

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的自回归模型，用于流式目标说话人提取，解决了当前生成模型在实时应用中遇到的局限性。他们的方法，即逐块交错拼接范式，通过利用历史上下文来精炼提取的语音片段并减轻不连续性，从而确保了稳定高效的流式推理。在Libri2Mix上的实验表明，该方法即使在低延迟下也能保持稳定性和卓越的清晰度，甚至超越了离线基线，在消费级GPU上实现了0.248的实时因子。 AI

影响 为说话人提取的实时应用提供了可能，有望改进语音助手和转录服务。

排序理由 该集群描述了一篇详细介绍特定AI任务新模型和方法论的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的自回归模型实现实时说话人提取

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Shuhai Peng, Hui Lu, Jinjiang Liu, Liyang Chen, Guiping Zhong, Jiakui Li, Huimeng Wang, Haiyun Li, Liang Cao, Shiyin Kang, Zhiyong Wu ·

    StarTSE: Towards Streaming Target Speaker Extraction via Chunk-wise Interleaved Splicing of Autoregressive Language Model

    arXiv:2604.19635v2 Announce Type: replace-cross Abstract: While generative models have set new benchmarks for Target Speaker Extraction (TSE), their inherent reliance on global context precludes deployment in real-time applications. Direct adaptation to streaming scenarios often …

相关实体

相关话题