关于语音识别中说话人间与说话人内变异性的研究
音频与语音处理
2024-11-13 v1
摘要
优化说话人数量与其时间变异性（或会话多样性）之间的权衡，对于语音识别系统的开发至关重要，同时也使数据收集过程在时间上可行。在本文中，我们利用 VoxTube 数据集进行文本无关语音识别任务，分析了现代基于神经网络的语音识别系统训练数据中说话人间与说话人内变异性的依赖关系。此外，本文的一个辅助贡献是发布 VoxTube 数据集中每条语音的上传日期元数据。我们希望本文能为从媒体托管平台收集和过滤数据提供指南和最佳实践，以助力研究人员开发语音识别系统。
引用
@article{arxiv.2411.07754,
title = {Study on Inter and Intra Speaker Variability in Speaker Recognition},
author = {Anton Okhotnikov and Nikita Torgashov and Ivan Yakovlev and Pavel Malov and Rostislav Makarov},
journal= {arXiv preprint arXiv:2411.07754},
year = {2024}
}