X-векторы: устойчивые DNN-эмбеддинги для распознавания говорящего
X-Vectors: Robust DNN Embeddings for Speaker Recognition
2018-04-01
SCID: 54.1/kesn7yqz
Discuss with AI
DNN-эмбеддингиклассификатор PLDAаугментация данныхраспознавание говорящихx-векторы
Figures from the paper
Abstract (AI)
В этой статье мы используем аугментацию данных для повышения эффективности эмбеддингов глубоких нейронных сетей (DNN) в задачах распознавания говорящего. DNN, обученная различать говорящих, отображает речевые высказывания переменной длины в эмбеддинги фиксированной размерности, которые мы называем x-векторами. Предыдущие исследования показали, что эмбеддинги эффективнее используют крупномасштабные обучающие наборы данных, чем i-векторы. Однако сбор значительного объема размеченных данных для обучения может быть затруднительным. Мы применяем аугментацию данных, включающую добавление шума и реверберации, как недорогой способ увеличить объем обучающих данных и повысить устойчивость системы. X-векторы сравниваются с базовыми системами на основе i-векторов на наборах данных Speakers in the Wild и NIST SRE 2016 Cantonese. Мы обнаружили, что, хотя аугментация полезна для классификатора PLDA, она не помогает экстрактору i-векторов. В то же время DNN для получения x-векторов эффективно использует аугментацию данных благодаря обучению с учителем. В результате x-векторы обеспечивают более высокую эффективность на наборах данных для оценки.
Key Findings
1
Благодаря супервизированному обучению DNN для x-векторов эффективно использует аугментацию и превосходит базовые системы на наборах Speakers in the Wild и NIST SRE 2016 Cantonese.
2
Аугментация улучшает работу классификатора PLDA, но не повышает качество экстрактора i-векторов в проведённых экспериментах.
3
Аугментация шумом и реверберацией недорого увеличивает обучающие данные и повышает устойчивость супервизированных DNN-эмбеддингов говорящих.
4
В работе представлены x-векторы — эмбеддинги фиксированной размерности, которые DNN получает из речевых сигналов переменной длины, обучаясь различать говорящих.
5
Результаты показывают, что x-векторы эффективнее используют аугментированные данные для распознавания говорящих, чем i-векторы.
Research Object
векторные DNN-эмбеддинги (x-векторы) для распознавания говорящих
Research Subject
устойчивость и эффективность распознавания при аугментации данных с добавлением шума и реверберации по сравнению с базовыми i-векторами
Publication Details
Publication Date
2018-04-01
Journal
Publisher
ISSN
Cited by
2724
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Инструментарий распознавания речи Kaldi2024
Факторный анализ на переднем конце для верификации диктора2010
VoxCeleb: крупномасштабный набор данных для идентификации говорящих2017
Исследование увеличения данных реверберационной речи для устойчивого распознавания речи2017
Сквозная текстозависимая верификация говорящего2016
Векторные представления говорящих на основе глубокой нейронной сети для сквозной верификации говорящего2016
Работы, цитирующие эту статью12
VoxCeleb: Масштабная верификация говорящих в естественных условиях2019
Задача CHiME-6: решение задачи распознавания речи нескольких дикторов в неразмеченных записях2020
RawNet: усовершенствованная сквозная глубокая нейронная сеть, использующая исходные речевые сигналы для текстонезависимой верификации говорящего2019
Атаки с использованием состязательных примеров на системы распознавания говорящих в реальном времени: универсальность и устойчивость2020
Устойчивое распознавание диктора на основе одно- и многоканального улучшения речи2020
Система диаризации говорящих Microsoft для соревнования VoxCeleb Speaker Recognition Challenge 20202021
Самостоятельно контролируемое распознавание говорящих с обучением, управляемым функцией потерь2022
Сквозная верификация дикторов с использованием взвешенной бинарной кросс-энтропии на основе бипартитного ранжирования и обучения по принципу усложнения задач2022
Анализ нормализации длины в сквозной системе верификации говорящего2018
Адаптация моделей самоконтролируемого обучения для распознавания речи нескольких говорящих с использованием эмбеддингов говорящих2023
Самообучение Barlow Twins для устойчивого распознавания говорящего2022
CAMSAT: кластеризация с объединением аугментаций и самоаугментированным обучением для самообучаемого распознавания говорящих2023