零样文本到语音模型用于提升短语音说话人验证的探索
声音
2025-06-18 v1
摘要
短语音说话人验证因信息有限而面临着显著挑战，可能削弱其准确性和可靠性。最近，零样文本到语音（Zero-shot Text-to-Speech, ZS-TTS）系统在保持说话人身份方面取得了显著进展。本研究首次探索使用 ZS-TTS 系统进行说话人验证的测试时数据增强。我们在 VoxCeleb 1 数据集上评估了三种最先进的预训练 ZS-TTS 系统：NatureSpeech 3、CosyVoice 和 MaskGCT。我们的实验结果表明，结合真实语音和合成语音样本可在所有时长上实现 10%~16% 的相对平等误差率（Equal Error Rate, EER）降低，尤其在短语音上效果尤为显著，且无需对现有系统进行重新训练。然而，我们的分析揭示，较长的合成语音并未像较长的真实语音那样有效降低 EER。这一发现凸显了使用 ZS-TTS 进行测试时说话人验证的潜力与挑战，为未来研究提供了洞见。
引用
@article{arxiv.2506.14226,
title = {Investigation of Zero-shot Text-to-Speech Models for Enhancing Short-Utterance Speaker Verification},
author = {Yiyang Zhao and Shuai Wang and Guangzhi Sun and Zehua Chen and Chao Zhang and Mingxing Xu and Thomas Fang Zheng},
journal= {arXiv preprint arXiv:2506.14226},
year = {2025}
}