面向说话人日志化的在线目标说话人语音活动检测

本文提出了一种用于说话人日志化任务的在线目标说话人语音活动检测系统，其无需来自基于聚类的日志化系统的先验知识即可获得目标说话人嵌入。首先，我们采用基于 ResNet 的前端模型来提取信号每个到来块的帧级说话人嵌入。接着，基于这些帧级说话人嵌入和先前估计的目标说话人嵌入，预测每位说话人的检测状态。然后，根据当前块中的预测，聚合这些帧级说话人嵌入以更新目标说话人嵌入。我们迭代地提取每个块的结果并更新目标说话人嵌入，直至信号结束。实验结果表明，所提方法在 AliMeeting 数据集上优于离线的基于聚类的日志化系统。