基于深度CNN的文本提示说话人识别特征提取器
音频与语音处理
2018-03-15 v1 计算与语言
机器学习
声音
机器学习
摘要
深度学习在说话人确认领域仍不是一种很常用的工具。我们研究了深度卷积神经网络在文本提示说话人确认任务中的性能。将提示的口令分割为词状态——即数字——以分别测试每个数字语音。我们为所有状态训练了一个单一的高层特征提取器，并使用余弦相似度度量进行打分。我们网络的关键特征是最大特征图（Max-Feature-Map）激活函数，其充当嵌入式特征选择器。通过使用多任务学习方案来训练该高层特征提取器，我们能够在质量上超越经典基线系统，并作为一种新手方法取得了令人印象深刻的成果，在RSR2015评估集上获得了2.85%的EER。所提系统与基线系统的融合进一步改善了该结果。
引用
@article{arxiv.1803.05307,
title = {Deep CNN based feature extractor for text-prompted speaker recognition},
author = {Sergey Novoselov and Oleg Kudashev and Vadim Schemelinin and Ivan Kremnev and Galina Lavrentyeva},
journal= {arXiv preprint arXiv:1803.05307},
year = {2018}
}
备注
Submitted to ICASSP 2018