본 논문은 다중 화자 오디오 혼합에서 특정 화자의 음성을 분리하는 목표 화자 추출에 대해 다룹니다. 기존 연구는 목표 화자의 정체성 정보를 제공하기 위해 깨끗한 오디오 샘플을 조건 입력으로 사용했지만, 이러한 깨끗한 오디오 샘플은 항상 쉽게 얻을 수 있는 것은 아닙니다. 본 논문에서는 목표 화자가 말하는 구간(Positive Enrollments)과 침묵하는 구간(Negative Enrollments)을 비교하여 잡음이 포함된 등록 데이터에서 목표 화자 정보를 인코딩하는 새로운 등록 전략을 제시합니다. 제안된 모델 아키텍처는 이전 연구보다 2.1dB 이상 높은 SI-SNRi를 달성하며, 2인의 화자 혼합에서 모노럴 음성을 추출합니다. 또한, 제안된 2단계 학습 전략은 수렴 속도를 높여 3dB SNR에 도달하는 데 필요한 최적화 단계를 60% 줄입니다. 결론적으로, 본 논문의 방법은 잡음이 포함된 등록 데이터를 조건으로 하는 모노럴 목표 화자 추출에서 최첨단 성능을 달성합니다.
