噪声环境下 x-vector 说话人识别系统的数据增强与噪声补偿对比
声音
2020-06-30 v1 计算与语言
音频与语音处理
摘要
可用语音数据的激增以及基于深度神经网络（DNN）的新说话人建模方法，使得开发更鲁棒的说话人识别系统成为可能。在 DNN 说话人建模技术中，x-vector 系统在噪声环境下已展现出一定程度的鲁棒性。先前研究表明，通过增加训练数据中的说话人数量并使用数据增强，可在噪声环境下获得更鲁棒的说话人识别系统。本工作中，我们欲探明尽管此类系统具有普遍的噪声鲁棒性，显式噪声补偿技术是否依然有效。为此，我们将使用两个不同的 x-vector 网络：第一个在 Voxceleb1 上训练（协议1），第二个在 Voxceleb1+Voxveleb2 上训练（协议2）。我们提出在打分前加入一个去噪 x-vector 子系统。实验结果表明，协议2所用的 x-vector 系统比协议1所用的另一系统更鲁棒。尽管有此观察，我们将展示显式噪声补偿在两种协议下均带来几乎相同的 EER 相对增益。例如，在协议2中，使用去噪技术使 EER 改善了 21% 至 66%。
引用
@article{arxiv.2006.15903,
title = {Data augmentation versus noise compensation for x- vector speaker recognition systems in noisy environments},
author = {Mohammad Mohammadamini and Driss Matrouf},
journal= {arXiv preprint arXiv:2006.15903},
year = {2020}
}