MeanFlow-TSE 论文复现指南：单步生成式目标说话人提取

MeanFlow-TSE 论文复现指南：单步生成式目标说话人提取

摘要

MeanFlow-TSE 是一种基于均值流（Mean Flow）目标的新型单步生成式目标说话人提取框架。该方法在 AD-FlowTSE 的混合比感知轨迹的基础上，引入 α-Flow 课程学习策略，实现了从混合语音到目标说话人语音的单步高质量生成。本文对 MeanFlow-TSE 的核心原理进行系统解析，提供完整的 PyTorch 复现代码实现，并详细阐述数据处理、模型构建、训练策略和评估指标等关键环节。

一、引言

1.1 目标说话人提取任务定义

目标说话人提取（Target Speaker Extraction, TSE）旨在从多说话人混合音频中分离出特定目标说话人的语音，利用辅助信息如注册语音片段进行身份识别。给定一个单通道混合语音 y∈R^L，其数学表示为：

y = s + b

其中 s 为目标语音，b 为干扰成分（包括非目标说话人和背景噪声），L 为音频长度。TSE 系统利用参考提示 e（通常为预录制的注册语音）来识别目标说话人，估计出目标语音 ŝ = f_θ(y, e)。

1.2 从判别式到生成式的演进

传统 TSE 方法以判别式模型为主，通过学习时频掩码来提取目标语音。基于 Conv-TasNet 或 SepFormer 等主干网络，这些方法在信号级指标上取得了不错的效果，但往往引入伪影，并且泛化能力有限。

近年来，扩散模型和