说话人语音提取是说话人语音分离领域中的一部分,有监督学习的情况下,针对从单声道观测语音信号中提取目标说话人语音,本文提出了基于注意机制的说话人语音提取算法,该算法充分利用已知目标源语音信号的辅助信息,针对性的提取我们想要的目标语音信号。近年来随着深度学习的发展,深度学习模式已广泛应用于图像和语音信号的处理领域中。本文主要研究了基于深度学习的注意机制目标说话人语音的提取。论文主要贡献如下:1.构建两个深度神经网络:一个时频掩蔽估计网络、一个说话人信息提取的辅助网络。将混合语音和不同于混合语音中的目标说话人额外语音分别作为两个网络的输入。针对辅助网络对目标说话人额外语音进行目标说话人的信息参数提取,采用了语音序列汇总法和带有注意功能的语音序列汇总法两种信息参数提取方法。将辅助网络输出的信息参数作为权重向量引入到掩蔽估计网络的隐藏层中,对其每一个单元的输出按照权重进行缩放,得到对应于目标说话人的内部嵌入向量。最终利用目标说话人对应的嵌入向量在掩蔽估计网络中传递训练并估计目标说话人的掩蔽。2.构建语音分离和提取的统一神经网络框架,提出了基于嵌入式注意机制的目标说话人语音提取算法。首先该算法将基于深度神经网络的语音谱映射分离视为是源信号对应的内部嵌入向量的分离过程,并将语音谱映射网络内部嵌入向量的分离作为构建分离和提取的统一神经网络框架中的分离模块。然后将分离后的嵌入向量和目标说话人额外语音作为嵌入注意机制模块的输入,在嵌入注意机制模块中提取出目标说话人的嵌入向量。最后利用目标说话人的嵌入向量作为掩蔽估计器模块的输入,以最小均方误差准则训练整个网络并估计出目标说话人语音的掩蔽,并且利用估计的掩蔽提取目标说话人语音。