[問題] 背景電視講話聲去除或人聲提取

[jaids (做工的人)]

請問如果場景中有背景電視人聲

或背景講話聲

要怎麼在語音辨識前去除呢？

或是有辦法在語音辨識以前單獨抽出想要辨識的人聲音嗎？

先謝謝各位任何建議了

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 46.15.133.255 (挪威)
※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1688728872.A.66A.html
推 yiche: 想知道FFT效果好嗎
→ DrizztMon: 用別的NN model去解決
→ chang1248w: https://bit.ly/3NKMzSl
→ chang1248w: meta那邊去年好像還有推出語音分離，可以把多人分開
推 j840715: tasnet
推 yoyololicon: 先套個speech enhancement模型
→ yoyololicon: 還是有背景人聲就再做speaker separation
→ yoyololicon: 得說一下 這些處理多少會影響語音辨識的準度