PadAug：通过简单的波形级静音填充实现鲁棒的说话人验证
音频与语音处理
2025-08-21 v1
摘要
语音中非语音片段的存在常常导致说话人验证性能下降。现有系统通常使用语音激活检测作为预处理步骤来切除长静音片段。然而，短静音片段，特别是那些位于语音片段之间的，仍然是说话人验证的一个问题。为了解决这个问题，在本文中，我们提出了一种简单的波形级数据增强方法，\textit{PadAug}，旨在增强系统对静音片段的鲁棒性。\textit{PadAug} 的核心思想是在波形级别将静音片段与语音片段拼接起来进行模型训练。由于其简单性，它可以直接应用于当前最先进的架构。实验结果证明了所提出的 \textit{PadAug} 的有效性。例如，将 \textit{PadAug} 应用于 ResNet34，在 voxceleb 数据集上实现了 5.0% 的相对等错误率降低。此外，基于 \textit{PadAug} 的系统对测试数据中不同长度和比例的静音片段具有鲁棒性。
引用
@article{arxiv.2508.14732,
title = {PadAug: Robust Speaker Verification with Simple Waveform-Level Silence Padding},
author = {Zijun Huang and Chengdong Liang and Jiadi Yao and Xiao-Lei Zhang},
journal= {arXiv preprint arXiv:2508.14732},
year = {2025}
}