说话人识别中参数化后端泛化域自适应框架
音频与语音处理
2023-05-26 v1
摘要
最先进的说话人识别系统包括说话人嵌入前端，其后接概率线性判别分析（PLDA）后端。这些组件的有效性依赖于大量有标签训练数据的可用性。在实践中，系统部署的域（例如语言、信道、人口统计）通常与训练系统的域不同。为缩小由此产生的差距，域自适应对于 PLDA 模型通常是必不可少的。其两个变体包括重尾 PLDA（HT-PLDA）和高斯 PLDA（G-PLDA）。尽管前者比后者更好地拟合真实特征空间，但其流行度严重受限于其计算复杂性，尤其是由于其非高斯特性导致的域自适应困难。针对 G-PLDA 已提出多种域自适应方法。本文提出了一种可应用于上述两种 PLDA 变体用于说话人识别的泛化域自适应框架。它不仅包含了几种现有的监督与无监督域自适应方法，还使得不同域中可用数据的使用更加灵活。特别地，我们在此引入两种新技术：(1) 模型级相关对齐，以及 (2) 协方差正则化。据我们所知，这是首次提出将此类技术用于 HT-PLDA 的域自适应。所提技术的有效性已在 NIST 2016、2018 和 2019 说话人识别评测（SRE'16、SRE'18 和 SRE'19）数据集上通过实验验证。
引用
@article{arxiv.2305.15567,
title = {Generalized domain adaptation framework for parametric back-end in speaker recognition},
author = {Qiongqiong Wang and Koji Okabe and Kong Aik Lee and Takafumi Koshinaka},
journal= {arXiv preprint arXiv:2305.15567},
year = {2023}
}