基于大规模自组织麦克风阵列的多通道远场说话人确认

基于自组织麦克风阵列的说话人确认在恶劣声学环境下有显著降低错误的潜力。然而，现有方法从自组织麦克风阵列的每个通道提取 utterance 级说话人嵌入，未能充分考虑设备间的时空信息。本文中，我们提出通过两种注意力机制深入挖掘跨通道信息，在帧级聚合自组织麦克风阵列的多通道信号。第一种是自注意力方法，它由依次连接的跨帧自注意力层和跨通道自注意力层组成，二者均在帧级工作。第二种通过两个图注意力层学习跨帧与跨通道信息。实验结果表明，所提方法达到了最先进的性能。此外，在大多数情况下，图注意力方法优于自注意力方法。