吴 春，梁正友

(广西大学计算机与电子信息学院，广西 南宁 530004)

0 引言

双说话人语音分离是在单声道的情况下，对包含2个说话人语音中的目标语音进行分离。考虑到2个语音信号高度重叠在一段混合语音中，这将是一个非常有难度的任务。尽管这是一项艰巨的任务，但是人类在这种情况下有选择性地听取其中一个人的说话却显示出令人难以置信的能力。这种听觉现象被Bregman称之为听觉场景分析模型［1］，主要分为分解和组合2个过程。在分解过程中，到达人耳的混合声音信号被分解为一组独立的单元，称为时频单元。初始信号是在时域和频域上的观测量，并且是多个声源信号的混合，而分解过程将混合信号变换到一个可以区分出混合信号中各个分量的变换域中［2］;在组合过程中通过有选择性地分离时频单元形成各个声源的听觉流。在组合过程中包含同时组合和序列组合，同时组合是将同时存在的不同频率范围的声音分量组合在一起，序列组合则是将一串声音分量按时间先后组合到一个或者多个声音流中。本文主要研究如何在序列组合中通过聚类的方法完成对声音分量的组合。

目前对双说话人语音分离的研究在序列组合过程中主要通过基于训练的语音模型。在Shao和Wang［3］的研究中，通过高斯混合模型(GMM)，在序列组合中通过最大化说话人识别得分获得一切可能的分组和语音对来完成分离。另一个基于训练模型的方法通过隐马尔科夫模型(HMM)和自动语音识别识别完成语音分离［4］。……