基于高效量化技术的 DNN 语音验证模型优化
音频与语音处理
2024-07-15 v1 人工智能
计算复杂性
摘要
随着深度神经网络（DNN）在诸多领域，包括语音验证中迅速发展，它们通常涉及高计算成本和大量内存消耗，这在移动系统中管理上具有挑战性。深度模型的量化提供了一种减少计算和内存开销的手段。我们的研究提出了一种针对语音验证模型量化的优化框架。通过分析预训练语音验证模型各层的性能变化和模型大小减小情况，我们有效地最小化了性能下降，同时显著减少了模型大小。我们的量化算法是首次在保持最先进预训练语音验证模型（ECAPATDNN）性能的同时显著压缩模型大小的尝试。总体而言，我们的量化方法使模型大小减半，EER 的增加幅度有限于 0.07%。
引用
@article{arxiv.2407.08991,
title = {Optimization of DNN-based speaker verification model through efficient quantization technique},
author = {Yeona Hong and Woo-Jin Chung and Hong-Goo Kang},
journal= {arXiv preprint arXiv:2407.08991},
year = {2024}
}
备注
in Korean language, Accepted at Society of Electronic Engineers of Korea Conference 2024