他の100の声から人の声をフィルタリングする方法はありますか？

つまり、人間の声は単一の正弦波ではなく、周波数の異なる無制限の正弦波の集まりではないことを知りました。

ウィキペディアによると、

声は、人間が声のひだを使って話したり、歌ったり、笑ったり、泣いたり、叫んだりして作った音で構成されています。その周波数の範囲は、約60〜7000 Hzです。

したがって、人間の声が複合信号である場合、60Hzから7KHzまでのさまざまな周波数範囲が含まれます。

同じ歌を一緒に歌っている人々のグループがいる場合、各人が独自の声の周波数の範囲を持っていると仮定します。

例えば、

人Aが次の周波数を持っている場合：100Hz、250HZ 6KHz、10Hz、87Hz、52Hz、2KHz .......

また、人物Bには、217Hz1、11Hz、12Hz、2323Hz、839Hz、4KHz、100Hz、10Hz ...があります。

上記の例のように、人Aと人Bの両方で類似している非常に多くの周波数が必要です。周波数100Hzと10Hzは2人の人の間で共通です。

私はテレビ番組名「フリンジ」を見ていました。そこでは、他の人の声もそこに存在している間に、オーディオファイルから特定の男の声を除外しました。

それで、すべての人に共通する周波数が非常に多い場合、人の周波数の振幅で何かをしなければならない場合、彼らは正確にどのようにして数百人の声から誰かの声をフィルタリングしますか？

信号が1つのマイクのみを使用して記録されている場合は、スペクトル減算などの方法を使用できます。この方法は、ファンやアイドルエンジンからのノイズのような「一定の」ノイズに適しています。他の方法は、統計と音声の知覚モデルに依存しています。信号が複数のマイクで録音されている場合は、ブラインドソース分離を使用して（音声）信号を分離できます。現在の状態では、完璧な結果は得られません。典型的な最終結果は、常に「ノイズ」と対象の音声信号の明瞭さとの間のトレードオフです。「ノイズ」抑制の増加->目的の信号の劣化の増加。

さて、2人が話しているサウンドファイルがあるとします。2人が一斉に話していなかった場合は、話し方の音の要素を分離することができます。彼らのスピーチのノイズ要素（ssssまたはfffffサウンド）を分離するのはよりトリッキーかもしれませんが、再び彼らが一斉に話していなかった場合、それは可能かもしれません。これは、位相情報を失うことなく音のスペクトル分析を実行できれば、はるかに簡単です。

基本的に、スペクトル分析は波形（単一の波または線として鳴る）を取り、すべての個々のトーンを分離して、低から高、左から右にそれらを見ることができるようにします。これを行うと、単一波形の立ち上がりと立ち下がりを示す情報のほとんどが失われます。位相情報を保存できれば、1つの音声のすべての個々のコンポーネント周波数が互いに調和的に関連し、それらの位相が揃うため、これははるかに簡単になります。

現時点では、これを実現するアルゴリズムはわかりませんが、理論的には可能だと思います。私はこれを行う方法に取り組んでいるmelodyneの作成者であるpeterneubäckerに関するいくつかの記事を読んだことを覚えています