基于 SincNet 与 X-Vector 融合的说话人识别
计算与语言
2020-04-07 v1 声音
音频与语音处理
摘要
在本文中，我们提出了一种创新方法，通过融合两个近期引入的深度神经网络（DNN），即 SincNet 和 X-Vector，来执行说话人识别。在原始语音波形上使用 SincNet 滤波器的想法是，在 CNN 架构的初始卷积层中提取更具区分性的频率相关特征。X-Vector 被用于利用如下事实：该嵌入是一种从变长语音片段中高效提取固定维度特征的方法，这在普通 CNN 技术中是具有挑战性的，使其在速度和精度上都高效。我们的方法通过在深层模型的后续层组合 X-Vector，同时在初始层使用 SincNet 滤波器，兼取两者之长。该方法使网络能够学习更好的嵌入并更快收敛。先前的工作使用 X-Vector 或 SincNet 滤波器或其某些变体，然而我们引入了一种新颖的融合架构，其中我们将两种技术结合以收集更多关于语音信号的信息，从而给出更好的结果。我们的方法聚焦于 VoxCeleb1 数据集进行说话人识别，并且我们已将其用于训练和测试。
引用
@article{arxiv.2004.02219,
title = {Speaker Recognition using SincNet and X-Vector Fusion},
author = {Mayank Tripathi and Divyanshu Singh and Seba Susan},
journal= {arXiv preprint arXiv:2004.02219},
year = {2020}
}
备注
The 19th International Conference on Artificial Intelligence and Soft Computing