说话人验证的新视角：DFSMN 与 Transformer 的联合建模

说话人验证是在开放集合中判断两个未知语音之间的相似度，其中理想的说话人嵌入应能将判别信息凝练为紧凑的话语级表示，该表示具有较小的说话人内部距离和较大的说话人间距离。我们提出了 Voice Transformer (VOT)，一种用于说话人验证的新模型，它集成了多尺度的并行 Transformer。将深度前馈序列记忆网络（DFSMN）结合到这些 Transformer 的注意力部分，以增加特征粒度。添加注意力统计池化层以关注重要帧并形成话语级特征。我们提出加性角度间隔焦点损失（AAMF）来解决困难样本问题。我们在 VoxCeleb1 和 CN-Celeb2 数据集上评估了所提出的方法，表明 VOT 超越了大多数主流模型。代码可在 GitHub 上获取\footnote{\url{https://github.com/luckyerr/Voice-Transformer_Speaker-Verification}}。