本研究提出了一种多选择学习（MCL）框架，旨在解决监督学习中语音分离模型的排列问题。实验结果表明，MCL在计算效率上优于传统的排列不变训练（PIT），且性能相当，为处理可变数量说话者的语音分离提供了新的思路。

本研究提出了Sortformer神经模型，用于解决说话人分离中的排列问题。该模型采用了不同的训练目标，并引入了Sort Loss方法来改善排列解决能力。实验证明Sortformer在多说话人自动语音识别架构中表现出显著的性能提升。