SpeakerBeam-SS：基于轻量化 Conv-TasNet 与状态空间建模的实时目标说话人提取

基于摘要分析。该研究面向实时目标说话人提取（TSE），即从多说话人混合语音中流式提取指定说话人的声音，核心贡献是在 Conv-TasNet-based TSE 中引入状态空间建模（SSM），并调整卷积前端以降低计算成本；其主要研究对象是语音分离，而非 EEG 或 BCI。 方法利用 SSM 建模长时依赖，使 Conv-TasNet 可以用更少的扩张卷积层捕获时间依赖，从而降低模型复杂度。作者还增大 TasNet 前端编码器的窗口长度和步移以进一步减少计算，并通过前端编码器的过参数化补偿性能下降。摘要未披露具体 SSM 形式、说话人条件信息的注入方式、训练目标或各模块配置，这些内容尚未验证。 作者报告，相对于常规因果 Conv-TasNet-based TSE，该方法将实时因子降低 78%，同时保持相当的提取性能。这里的 78% 是实时因子的相对降幅，不是准确率提升或百分点变化。数据集、划分、性能指标、硬件、流式缓冲和延迟设置，以及消融与统计信息尚未验证；实时因子下降也不能直接等同于端到端延迟同比下降。 平台推测（待验证）：若 EEG 流式任务需要在有限计算预算下建模长时依赖，SSM 与局部卷积结合的机制可能可复用，但语音混合结构及目标说话人条件不能直接对应 EEG。前端窗口、步移、通道输入和监督目标均需改造；低信噪比、小数据及跨被试差异可能削弱收益，较大步移也可能损失短时 ERP 信息。一个可证伪的小实验是在固定 EEG 数据划分和硬件下，以相同因果输入约束比较卷积基线与加入 SSM、减少扩张卷积层的版本，分别测量任务指标、计算成本和端到端延迟，再单独检验前端步移调整的影响。已有 EEG 相关工作尚未检索确认。