语言查询音源分离：CLAP查询优化与自动数据清洗

语言查询音频源分离 (LASS) 可以使用自然语言提取任何声源。然而，由于训练数据噪声和基于 CLAP 的控制信号的语义覆盖范围有限，使 LASS 模型适应特定应用的声音类别具有挑战性。我们提出了一个框架，其中包括用于训练数据管理的自动化数据引擎和针对特定类别的 CLAP 控制信号的两阶段优化过程。我们对七个声音类别的客观评估表明，数据细化和控制信号优化不断提高源分离性能。 17 名参与者的主观评估进一步证明了使用优化控制信号训练的模型相对于基线和类似商业模型的感知改进。