用于半监督说话人判别声学嵌入的余弦距离虚拟对抗训练
音频与语音处理
2020-08-11 v1 声音
摘要
本文提出一种半监督学习（SSL）技术，用于训练深度神经网络（DNNs）以生成说话人判别声学嵌入（说话人嵌入）。在期望的目标领域获取大量说话人识别训练数据可能较为困难，尤其在隐私约束下。所提技术通过利用无标签数据降低对标签数据的需求。该技术是虚拟对抗训练（VAT）[1]的一种变体，其损失形式定义为说话人嵌入对输入扰动的鲁棒性，由余弦距离度量。因此，我们称该技术为余弦距离虚拟对抗训练（CD-VAT）。与许多现有 SSL 技术相比，无标签数据不必来自与标签数据相同的类别集合（此处为说话人）。CD-VAT 的有效性在 2750+ 小时的 VoxCeleb 数据集上得到展示，在说话人验证任务中，其等错误率（EER）相较纯监督基线相对降低 11.1%。这相当于若无标签数据的说话人标签可用时，监督训练所能带来改进的 32.5%。
引用
@article{arxiv.2008.03756,
title = {Cosine-Distance Virtual Adversarial Training for Semi-Supervised Speaker-Discriminative Acoustic Embeddings},
author = {Florian L. Kreyssig and Philip C. Woodland},
journal= {arXiv preprint arXiv:2008.03756},
year = {2020}
}
备注
Accepted to Interspeech 2020