请问sherpa-onnx支持说话人分离（Speaker Separation）模型吗

[Yfredy]

请问sherpa-onnx支持说话人分离（Speaker Separation）模型吗？

业务需要从多人说话的场景中只收录特定一个人的声音时，核心需求是定向提取目标说话人的语音并抑制其他说话人的干扰

这种需求有现成的模型吗？

Thanks a lot

[dosubot[bot]]

Hi @Yfredy! I'm Dosu and I’m helping the sherpa-onnx team.

sherpa-onnx 目前支持的是说话人分离（speaker diarization），可以识别和分割多说话人音频中每个人的发言时间段，比如用 pyannote segmentation、reverb diarization 等模型配合 3dspeaker 或 NeMo Titanet 等嵌入模型实现分段和聚类，输出每个说话人的时间区间和身份标签 参考。

但 sherpa-onnx 并不支持说话人分离（Speaker Separation）或定向说话人提取（Target Speaker Extraction）——即直接从混合音频中只提取目标说话人的语音、抑制其他人的声音。目前没有现成的模型或工具可以在 sherpa-onnx 框架下实现你的业务需求 参考。

如果你的场景可以先用 diarization 得到目标说话人的时间段，再结合音频剪辑工具提取对应片段，这是一种可行的方案。如果需要直接分离出目标说话人的纯净语音，建议关注专门的 speaker separation 或 target speaker extraction 模型（如 SVoice、Conv-TasNet、SpeakerBeam 等），这些目前 sherpa-onnx 未集成。

如果你需要用 sherpa-onnx 的分段功能，可以参考其支持的 diarization 模型和 API，支持多平台和多语言。如果有具体使用问题可以继续交流。

To reply, just mention @dosu.

---

^{How did I do? Good | Irrelevant | Incorrect | Verbose | Hallucination | Report 🐛 | Other}   

[Yfredy]

got it！感谢您的详细回复

我现在想：多说话人混叠场景下进行语音分离和语音增强，以便 ASR 系统能更好地识别主要说话人的声音

这种也算是SVoice、Conv-TasNet、SpeakerBeam 等模型的应用范畴吗？