EXPERIMENTAL TWO-VOICE SEPARATION

音声分離モデルの出典と利用条件

FieldRelayの試験機能は、2人の声を分ける学習済みモデルをiPhone内で使用します。モデルの取得時だけ、この配信サイトへ接続します。録音音声をこのサイトへ送信する機能はありません。

作者と元モデル

Cosentino Jorisによる「ConvTasNet_LibriMix_sep_clean」、Zenodo原配布（2020年6月2日）を使用しています。学習元はVassil PanayotovらのLibriSpeech ASR corpus（CC BY 4.0）です。

元モデルの本文に従い、この変換モデルはCreative Commons Attribution-ShareAlike 3.0 Unported（CC BY-SA 3.0）で提供します。作者名・出典・変更を明記し、派生モデルも同じライセンスで提供してください。モデルに追加の利用制限を付けていません。作者がFieldRelayを支持しているという意味ではありません。

FieldRelayで行った変更

Core ML形式への変換、4秒・8kHzモノラルの固定入力、2音声共通の音量校正とピーク制限、重み保存のFP16化を行いました。再学習は行っていません。元モデルは英語の人工混合録音で学習したもので、日英の実会話、反響・雑音、似た声での品質を保証しません。分離音声の番号は本人を識別するものではありません。

モデルと変換手順

• 変換モデルを取得（10,015,298バイト）
• 変換スクリプト
• 形式・チェックサム・変換検証の記録
• 構造の参考にしたAsteroidのMITライセンス

アプリは最初に分離を使うときモデルを取得し、準備したモデルを端末に保存します。通常の文字起こしと分離結果は別々に保存し、文字をタップすると原音を再生できます。分離で欠落・変形・音声の入れ替わりが起こる場合は、通常の結果と原音を確認してください。