ECAPA-TDNN：基于 TDNN 说话人验证中的强调通道注意力、传播与聚合

当前的说话人验证技术依赖于神经网络来提取说话人表征。成功的 x-vector 架构是一种时间延迟神经网络（TDNN），其应用统计池化将变长语音投影为固定长度的说话人刻画嵌入。在本文中，我们基于人脸验证与计算机视觉相关领域的近期趋势，对该架构提出多项增强。首先，初始帧层可重构为具有显著跳跃连接的 1 维 Res2Net 模块。类似于 SE-ResNet，我们在这些模块中引入压缩激励（Squeeze-and-Excitation）块以显式建模通道间依赖关系。SE 块根据录音的全局属性重新缩放通道，从而扩展帧层的时间上下文。其次，已知神经网络学习层次化特征，每一层在不同复杂度水平上运作。为利用这一互补信息，我们聚合并传播不同层次级别的特征。最后，我们通过通道依赖的帧注意力改进统计池化模块。这使得网络在每一通道的统计估计过程中聚焦于不同的帧子集。所提出的 ECAPA-TDNN 架构在 VoxCeleb 测试集与 2019 VoxCeleb 说话人识别挑战赛上显著优于最先进的基于 TDNN 的系统。