रूपांतरण-टासनेट समय-डोमेन पृथक्करण

Conv-TasNet एक तंत्रिका नेटवर्क है जो स्पेक्ट्रोग्राम के बजाय सीधे कच्चे ध्वनि तरंग पर काम करके मिश्रित ऑडियो (जैसे दो लोग एक साथ बात कर रहे हैं) को अलग करता है। यह मायने रखता है क्योंकि यह वास्तविक समय में उपयोग के लिए पर्याप्त तेजी से चलते हुए भाषण पृथक्करण गुणवत्ता के लिए एक नया मानक स्थापित करता है।

पारंपरिक पृथक्करण प्रणालियाँ ऑडियो को स्पेक्ट्रोग्राम में परिवर्तित करती हैं, आवृत्तियों को अलग करती हैं, फिर वापस परिवर्तित करती हैं, जिससे चरण की जानकारी और कैप्स गुणवत्ता खो जाती है। Conv-TasNet (2019, लुओ और मेसगारानी) इसे पूरी तरह से छोड़ देता है। यह लघु तरंग रूप खंडों को लचीले आंतरिक प्रतिनिधित्व में बदलने के लिए एक सीखे हुए एनकोडर (एक 1डी कनवल्शन) का उपयोग करता है, एक पृथक्करण नेटवर्क जो प्रत्येक स्पीकर के लिए एक मास्क का अनुमान लगाता है, और एक सीखा हुआ डिकोडर जो प्रत्येक स्वच्छ तरंग का पुनर्निर्माण करता है। विभाजक विस्तारित 1डी कन्वोल्यूशन का एक ढेर है जिसे टेम्पोरल कन्वोल्यूशनल नेटवर्क (टीसीएन) कहा जाता है, जो पुनरावृत्ति के बिना लंबी दूरी के संदर्भ को कैप्चर करता है। स्केल-अपरिवर्तनीय एसआई-एसएनआर हानि और क्रमपरिवर्तन-अपरिवर्तनीय प्रशिक्षण के साथ प्रशिक्षित, यह आदर्श स्पेक्ट्रोग्राम मास्क से आगे निकल गया, जिसके परिणाम को एक बार ऊपरी सीमा माना जाता था।