近來，針對多說話人語音分離任務(wù)，基于深度學(xué)習(xí)的有監(jiān)督學(xué)習(xí)方法取得了長足的進展。其中，由于多通道語音中提取出的聲源空間信息可以提供更充分的語音分離線索，因此多通道語音分離方法往往能取得比單通道語音分離更好的效果。常見的多通道語音分離方法將頻域特征（對數(shù)功率譜）和通道間空域特征在神經(jīng)網(wǎng)絡(luò)輸入層拼接，然后，神經(jīng)網(wǎng)絡(luò)采用理想時頻掩膜作為監(jiān)督信息，估計目標(biāo)說話人的時頻掩膜以分離出目標(biāo)說話人語音。本文設(shè)計了兩種方向性特征，以表征來自目標(biāo)方向的聲源在各個時頻點上的主導(dǎo)程度。本文提出將方向性特征作為神經(jīng)網(wǎng)絡(luò)的額外輸入特征，以提供與頻域和空域特征互相補足的分離線索，使得語音分離模型學(xué)習(xí)到的時頻掩膜估計誤差更小。此外，為了緩解空域歧義問題，即多個說話人方向相近的情況，本文還引入了注意力機制使得模型可以動態(tài)地調(diào)整對不同輸入特征的關(guān)注程度。本文在仿真的遠場WSJ02-mix和3-mix數(shù)據(jù)庫上進行實驗，相較于單通道和多通道的其它基線方法，所提的方法較顯著地提升了語音分離系統(tǒng)的性能。

關(guān)鍵詞：目標(biāo)說話人語音分離，方向性特征，注意力機制，置換不變訓(xùn)練