探索用于说话人日志的强嵌入提取器

说话人嵌入提取器将输入音频映射到说话人判别性潜在空间，在说话人日志中至关重要。然而，在将嵌入提取器应用于日志任务时存在若干挑战，我们着重解决其中两个关键问题。首先，评估并非易事，因为说话人确认与日志任务获得更优性能所需的特征有所不同。我们表明，在广泛采用的说话人确认评估协议上取得更好性能，并不能带来更好的日志性能。其次，嵌入提取器未曾见过包含多个说话人的话语。由于语音重叠和说话人切换，这类输入在说话人日志中不可避免地存在，并会导致性能下降。为缓解第一个问题，我们生成了能更好模拟日志场景的说话人确认评估协议。我们提出两种数据增强技术以缓解第二个问题，使嵌入提取器能够感知语音重叠或说话人切换输入。一种技术生成语音重叠片段，另一种生成两个说话人顺序发声的片段。使用三种最先进的说话人嵌入提取器进行的大量实验结果表明，所提出的两种方法均有效。