2021 年 NIST 说话人识别评测
音频与语音处理
2022-04-22 v1 机器学习
声音
图像与视频处理
摘要
2021 年说话人识别评测（SRE21）是美国国家标准与技术研究院（NIST）自 1996 年以来持续开展的评测系列的最新一轮。它是 NIST 组织的第二次大规模多模态说话人/人员识别评测（第一次为 SRE19）。与 SRE19 类似，它包含音频和音视频两个核心评测轨道，以及一个可选的视觉轨道。除了提供固定和开放训练条件外，得益于由语言数据联盟（LDC）在北美以外收集的称为 WeCanTalk 的新多模态（即音频、视频和自拍图像）和多语言（即含多语言说话人）语料库，它也为学界带来了新挑战。这些挑战包括：1) 注册与测试片段来自不同域（即电话语音 versus 视频）的试验（目标与非目标）；以及 2) 注册与测试片段以不同语言说出的试验（即跨语言试验）。本文概述 SRE21，包括任务、性能度量、数据、评测协议、结果及系统性能分析。来自学术界与工业界的共 23 家机构（组成 15 支队伍）参与了 SRE21 并提交 158 份有效系统输出。评测结果表明：音视频融合相较仅音频或仅视觉系统带来显著性能提升；在本评测匹配的域条件下，顶尖说话人与人脸识别系统表现出相当的性能；并且，复杂神经网络架构（如 ResNet）结合带间隔的角度损失、数据增强以及长时长微调，为仅音频说话人识别任务带来了明显的性能改进。
引用
@article{arxiv.2204.10242,
title = {The 2021 NIST Speaker Recognition Evaluation},
author = {Seyed Omid Sadjadi and Craig Greenberg and Elliot Singer and Lisa Mason and Douglas Reynolds},
journal= {arXiv preprint arXiv:2204.10242},
year = {2022}
}