বক্তৃতা বিচ্ছেদ এবং ককটেল পার্টি সমস্যা

বক্তৃতা পৃথকীকরণ হল একটি রেকর্ডিং থেকে পৃথক কণ্ঠস্বর টানানোর কাজ যেখানে একাধিক লোক একসাথে কথা বলে। এটি 'ককটেল পার্টি সমস্যা' মোকাবেলা করে যা মানুষ অনায়াসে সমাধান করে কিন্তু মেশিনগুলি সত্যিকারের কঠিন খুঁজে পায়।

কলিন চেরি 1953 সালে তৈরি করেছিলেন, এটি একটি একক বক্তার সাথে যোগ দেওয়ার চ্যালেঞ্জ বর্ণনা করে যখন অনেক লোক একসাথে কথা বলে।

বিচ্ছেদ স্পিকার প্রতি একটি পরিষ্কার স্ট্রিম তৈরি করে, মিশ্রণে ওভারল্যাপিং ভয়েসগুলিকে মুক্ত করে।

Conv-TasNet একটি নির্দিষ্ট স্পেকট্রোগ্রামের পরিবর্তে কাঁচা অডিওতে একটি শেখা এনকোডার ব্যবহার করে, উচ্চ-বিশ্বস্ততা, কম-বিলম্বিত বিচ্ছেদ সক্ষম করে।

মডেল স্পিকার প্রতি একটি মাস্ক ভবিষ্যদ্বাণী; মিশ্রণে এটি প্রয়োগ করা সেই স্পিকারের বিষয়বস্তু রাখে এবং বাকিগুলিকে দমন করে।

সবাইকে আলাদা করার পরিবর্তে, আপনি একটি ভয়েস কিউ প্রদান করেন এবং মডেলটি শুধুমাত্র সেই টার্গেট স্পিকারটিকে বের করে।