TIGER：清华突破性模型让AI「听觉」进化：参数量暴降94%，菜市场都能分离清晰人声

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🔊 「你的降噪耳机过时了！清华突破性模型让AI「听觉」进化：参数量暴降94%，菜市场都能分离清晰人声」

大家好，我是蚝油菜花。当你在这些场景崩溃时——

• 🚇 地铁电话会议：同事发言总被报站声「截胡」
• 🏠 智能家居失控：扫地机器人听不清指令乱撞
• 🎧 降噪耳机失效：飞机轰鸣中听不清播客关键信息...

清华大学用 TIGER模型 重新定义语音分离！这个革命性框架通过时频交叉建模与多尺度注意力机制，在参数量仅有传统模型5%的情况下，实现复杂场景下的精准人声提取。更惊人的是，它已通过EchoSet数据集验证——接下来我们将深度解析这个「听觉增强」黑科技如何改变人机交互！

🚀 快速阅读

TIGER 是清华大学研究团队提出的一种轻量级语音分离模型。

1. 核心功能：通过时频交叉建模模块（FFI）和多尺度注意力机制，实现高效语音分离。
2. 技术原理：利用频带切分和全频/帧注意力模块（F³A），优化特征提取，降低计算量和参数量。

TIGER 是什么

TIGER（Time-frequency Interleaved Gain Extraction and Reconstruction Network）是清华大学研究团队提出的一种轻量级语音分离模型。该模型通过创新的时频交叉建模策略，结合频带切分和多尺度注意力机制，显著提升了语音分离的效果，同时大幅降低了参数量和计算量。

TIGER 的核心在于时频交叉建模模块（FFI），能够高效整合时间和频率信息，更好地提取语音特征。此外，模型引入了多尺度选择性注意力模块（MSA）和全频/帧注意力模块（F³A），进一步优化了特征提取能力，使得 TIGER 在复杂声学环境中表现出色。

TIGER 的主要功能

• 高效语音分离：TIGER 通过创新的时频交叉建模模块（FFI）和多尺度注意力机制，能够高效地分离混合语音中的不同说话者。
• 低计算量与低参数量：模型在压缩94.3%的参数量和95.3%的计算量后，性能仍与当前最先进的模型相当。
• 复杂声学环境适应：TIGER 通过 EchoSet 数据集模拟真实场景中的噪声和混响，提升了模型在复杂环境下的鲁棒性。

TIGER 的技术原理

• 时频交叉建模策略：TIGER 的核心在于时频交叉建模模块（FFI），通过交替处理时间和频率信息，有效整合时频特征。模块包含频率路径和帧路径，每个路径都包含多尺度选择性注意力模块（MSA）和全频/帧注意力模块（F³A），能融合局部和全局信息，提升语音分离效果。
• 频带切分：语音信号的能量在不同频带上分布不均，中低频带包含更多语音信息，高频带包含更多噪声和细节。TIGER 通过频带切分策略，将频带划分为不同宽度的子带，减少计算量的同时，让模型专注于关键频带。
• 多尺度注意力机制：TIGER 引入了多尺度选择性注意力模块（MSA），通过多尺度卷积层和选择性注意力机制，融合局部和全局信息，增强模型对多尺度特征的提取能力。

如何运行 TIGER

1. 安装依赖

git clone https://github.com/JusperLee/TIGER.git
cd TIGER
pip install -r requirements.txt

2. 使用预训练模型进行测试

# 测试语音分离
python inference_speech.py --audio_path test/mix.wav

# 测试电影音频分离
python inference_dnr.py --audio_path test/test_mixture_466.wav

3. 使用 EchoSet 数据集进行训练

python audio_train.py --conf_dir configs/tiger.yml

4. 使用 EchoSet 数据集进行评估

python audio_test.py --conf_dir configs/tiger.yml

资源

• 项目主页：https://cslikai.cn/TIGER/
• GitHub 仓库：https://github.com/JusperLee/TIGER

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦