---
title: TSE
canonical_url: "https://www.modelscope.cn/models/dengcunqin/TSE"
md_url: "https://www.modelscope.cn/models/dengcunqin/TSE.md"
repository: dengcunqin/TSE
chinese_name: "目标说话人提取"
last_updated: 2026-05-12
license: "Apache License 2.0"
pipeline_tag: speech-separation
tasks:
  - speech-separation
library_name:
  - pytorch
frameworks:
  - Pytorch
downloads: 23
stars: 5
---

# TSE

> TSE - dengcunqin 在 ModelScope 开源的模型。目标说话人提取

dengcunqin/TSE 是 ModelScope 魔搭社区上的speech-separation模型，采用 Apache License 2.0 许可。

- **Repository**: dengcunqin/TSE
- **License**: Apache License 2.0
- **Tasks**: speech-separation
- **Downloads**: 23
- **Stars**: 5
- **Last updated**: 2026-05-12

Source: https://www.modelscope.cn/models/dengcunqin/TSE

---

# 目标说话人提取 (Target Speaker Extraction)

本项目是一个基于深度学习的单通道目标说话人提取（TSE）模型。给定一段混合音频（包含多人同时说话）和一段目标说话人的参考音频，模型能够从嘈杂的混音中，精准剥离并提取出目标说话人的纯净声音，同时强力压制其他干扰者的声音。

## ✨ 核心特性
* **极速推理**: 4090，batch=1,RTF:0.0004;batch=32,batch rtf(0.0016),单条音频RTF：0.0001。notebook上纯CPU测试rtf:0.01。
* **声纹定向提取**：内置轻量级声纹编码器（Speaker Encoder），通过 FiLM 层将声纹特征注入主干网络，实现“听音识人”。
* **无损全长推理**：全卷积与时序卷积网络（TCN）架构，无固定截断限制，天然支持任意长度的混合音频与参考音频。
* **强悍的抗混叠与防欺骗**：针对 2~6 人高重叠度场景设计，包含负样本训练机制，当目标说话人未在混音中发声时，能准确输出静音（VAD 拦截）。

## 模型训练

本模型目前仅通过单张 RTX 4090 进行了数小时的初步训练。当前权重旨在为社区提供一个跑通的 Baseline（基准模型） 与验证链路。受限于算力与数据规模，模型仍有巨大的潜力空间，期待开源社区在此基础上进行更大规模的训练、微调与持续迭代。

## 📂 核心文件说明

* `ulunas_tse.py`：核心模型架构定义。
* `test_ulunas_tse_custom.py`：定制化评测脚本。使用同一说话人的不同音频作为参考和目标，自动对齐任意长度音频，测试 2-6 人正样本及负样本场景。
* `test_ulunas_tse_rtf.py`：工业级实时率（RTF）与吞吐量性能测试工具，用于评估模型在 CPU/GPU 上的推理延迟。

### 关于作者
作者常驻广州，专注语音技术方向（ASR/TTS），目前正积极寻找本地相关工作机会。
如有兴趣交流，欢迎通过邮箱联系（2735033883@qq.com）。
微信：game_for_enjoy（请备注来意）

model_dir = snapshot_download('dengcunqin/TSE')
```
Git下载
```
#Git模型下载
git clone https://www.modelscope.cn/dengcunqin/TSE.git
```