Представьте переговорную, где одновременно говорят несколько человек, а системе нужно понять, когда говорит целевой спикер, и выделить именно его голос. Задача нетривиальная, но именно её нам и нужно было решить.
Над этим мы с коллегами работали в проекте PVAD (Personal Voice Activity Detection) — технологии для определения того, когда в общем аудиопотоке говорит конкретный человек. Короткий простой обзор на один из кейсов нашей команды.
В чём было дело
Проект мы разрабатывали в составе команды Singularis. Перед нами стояла прикладная и одновременно исследовательская цель: на основе короткого образца голоса целевого спикера научиться: