Shuhai Peng

新的自回归模型实现实时说话人提取

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。