基于改进I-Vector估计的未知说话人数量目标说话人语音活动检测
音频与语音处理
2021-08-10 v1
摘要
目标说话人语音活动检测（TS-VAD）近期在高度重叠语音的说话人日志化任务中展现出有前景的结果。然而，原始模型要求固定（且已知）的说话人数量，这限制了其在真实对话中的应用。本文中将TS-VAD扩展至未知说话人数量的说话人日志化。这通过两步实现：首先应用初始日志化系统估计说话人数量，随后根据该估计对TS-VAD网络输出进行掩码。我们进一步研究了不同的日志化方法，包括基于聚类和区域提议网络，用于估计初始i-vector。由于这些系统具有互补优势，我们提出了一种基于融合的方法，将各系统的帧级决策进行组合以获得改进的初始化。通过在LibriCSS会议语料库变体上的实验表明，我们所提方法在不同说话人数量下可将DER相对改善至多50%。该改善也带来了更好的下游ASR性能，接近使用神谕（oracle）分段时的表现。
引用
@article{arxiv.2108.03342,
title = {Target-speaker Voice Activity Detection with Improved I-Vector Estimation for Unknown Number of Speaker},
author = {Maokui He and Desh Raj and Zili Huang and Jun Du and Zhuo Chen and Shinji Watanabe},
journal= {arXiv preprint arXiv:2108.03342},
year = {2021}
}