语音信息分解的说话人嵌入网络

跨数据集误差大降

通过自约束学习与重构任务压制语音内容干扰，让说话人嵌入更聚焦于说话人身份特征。

Hong, Qianbei · Wu, Chung-Hsien · Wang, Hsin-Min

IEEE/ACM Transactions on Audio Speech and Language Processing 2023

参数信息

等错误率降低（VoxCeleb1）

7.5 %

等错误率降低（SITW）

3.4 %

等错误率降低（Librispeech清洁语音）

25.5 %

等错误率降低（VoxMovies）

7.9 %

技术优势

内容剔除更彻底

自约束学习减小帧级特征发散，重构任务进一步在帧级层消除语音信息，使嵌入更聚焦于说话人身份。

等错误率下降

在VoxCeleb1上相比ECAPA-TDNN等错误率降低7.5%，验证集上的性能提升表明该架构能有效抑制语音内容对嵌入的干扰。

应用场景

• 说话人验证：用于高精度说话人验证，避免语音内容干扰造成的误判。
• 声纹识别系统：集成到声纹识别系统中，提升对语音内容变化的鲁棒性。
• 语音生物识别：作为语音生物特征提取器，聚焦身份特征而非内容特征。
• 音频取证：在音频取证中提取不受语音内容干扰的说话人特征，辅助身份分析。