声音信号是人们从外界获取信息重要途径之一,而在当今信息全球化的背景下,信息交互的数量已经非常庞大,仅仅凭人力处理和分辨这些信息已经不可行,人们开始应用计算机来辅助完成这些信息处理工作。在声音信号处理技术中,除了语言识别,声纹识别之外,还有一个分支,就是语音分离技术。语音分离技术根据声音输入和应用场景不同,又可以有很多分类,本文研究的是单声道下的基于深度学习的多说话人语音分离技术。语音分离技术的实现有很多种方法,本文将语音分离看作是二分类问题。文章把需要分离的目标说话人语音看作是一个正例,把其他不感兴趣的语音看作是负例。通过从输入的混合语音中提取出感兴趣的正例语音,就能实现分离效果,然后更换不同的目标说话人,即可实现多说话人的语音分离。从方法中可以看出,从多说话人语音中分离语音的前提是需要有分离目标的语音信息作为正例参考,然后才能通过模型,从多说话人中分离对应的说话人语音。本文就是基于以上思考来设计的多说话人语音分离的方法。本文的技术要点一共分为两大部分,分别是单一说话人的语音片段获取和多说话人的语音分离模型训练。首先利用了 BIC、层次聚类、K-means和Gap-Statistic技术对输入的混合语音进行了分割和聚类,从而获取到混合语音中的说话人数和对应的各个说话人声纹信息。然后应用深度学习的方法,利用LSTM和CNNs网络,设计并训练出了多说话人语音分离的模型。最后以一种端到端的方式,将混合语音输入模型中,结合从混合语音中获取的声纹信息,输出混语音中分离出的各个说话人的语音信息。