24、多说话者单通道音频面试中的候选人语音提取

多说话者单通道音频面试中的候选人语音提取

在当今的招聘流程中，面试是至关重要的环节。随着疫情的影响和经济因素的考量，视频面试和电话面试变得越来越普遍。这些面试通常会被记录下来，用于后续的审核和分析。候选人在面试中的表现不仅取决于他们的知识水平，还与他们对面试官问题的回应方式密切相关。因此，准确提取候选人在多说话者单通道音频面试中的语音片段，对于后续的面试分析和自动化处理具有重要意义。

1. 引言

候选人面试是企业招聘过程中的关键阶段。有效的面试能让雇主自信地判断应聘者的技能、经验和个性是否符合岗位要求。在线视频面试并非新鲜事物，许多企业在不想让远距离的候选人前来面试时会采用这种方式。然而，由于疫情导致面对面面试面临挑战，在线面试的需求大幅增加。商业平台不仅支持进行虚拟面试，还能记录面试过程。企业记录面试的目的多样，包括内部审核、发现招聘流程的不足以及在候选人对未被录用提出质疑时作为证据等。

面试结束后，评估候选人的表现能带来额外的价值和见解。无论是手动还是自动分析候选人的表现，都需要从单通道多说话者的音频记录中提取候选人的语音。说话人分割（Speaker diarization，简称sd）在处理多说话者语音的下游应用中至关重要，如在线面试、团队会议、新闻广播和语音客服对话等。但当音频流中包含未知数量的说话者和未知时长的语音时，说话人分割任务极具挑战性，因为它需要根据说话人的身份将音频流划分为同质片段。传统的sd系统通常采用两阶段的说话人分割方法：一是找到多说话者音频流中的说话人切换点，二是将识别出的单个说话人的语音片段进行聚类。传统sd系统主要依赖人们声学特征的差异来区分说话人。

通过提取候选人的音频回复，可以进行一系列下游分析。例如，从答案评估的角度分析候选