利用WavLM嵌入从语音中预测人口属性
计算与语言
2025-02-18 v1 人工智能
摘要
本文提出了一种基于WavLM特征的通用分类器，用于从语音中推断人口特征，如年龄、性别、母语、教育程度和国籍。人口特征预测在语言学习、无障碍技术和数字取证等应用中发挥着关键作用，使技术更加个性化和包容。利用预训练模型进行嵌入提取，所提出的框架识别了与人口属性相关的关键声学和语言特征，在年龄预测中实现了平均绝对误差（MAE）为4.94，在性别分类中实现了超过99.81%的准确率，且跨多个数据集均表现良好。我们的系统在MAE上相对于现有模型提升了最高30%（相对），在准确率和F1分数上提升了最高10%（相对），这得益于多样化的数据集和大型预训练模型的使用，确保了鲁棒性和泛化能力。本研究为说话者多样性提供了新的见解，并为基于语音的人口特征分析的未来研究奠定了坚实基础。
引用
@article{arxiv.2502.12007,
title = {Demographic Attributes Prediction from Speech Using WavLM Embeddings},
author = {Yuchen Yang and Thomas Thebaud and Najim Dehak},
journal= {arXiv preprint arXiv:2502.12007},
year = {2025}
}
备注
6 pages, accepted by The Conference on Information Sciences and Systems (CISS)