说话人嵌入用于暴力检测的合理有效性
音频与语音处理
2024-06-12 v1 声音
摘要
在本文中，我们专注于音频暴力检测（AVD）。AVD在多种场景下是必要的，尤其是在维护安全、防止伤害和确保安全方面。这要求有准确的AVD系统。与音频处理中的许多相关应用一样，提升性能最常用的方法是利用自监督（SSL）预训练模型（PTM）。然而，这些SSL模型是非常大的模型，拥有数百万个参数，这可能阻碍其在实际环境中的部署，尤其是在计算受限的环境中。为解决此问题，我们提出使用说话人识别模型，其规模远小于SSL模型。通过使用说话人识别模型嵌入并结合SVM和随机森林作为分类器进行实验，我们表明，与最先进的（SOTA）SSL模型相比，说话人识别模型嵌入表现最佳，并达到了SOTA结果。
引用
@article{arxiv.2406.06798,
title = {The Reasonable Effectiveness of Speaker Embeddings for Violence Detection},
author = {Sarthak Jain and Orchid Chetia Phukan and Arun Balaji Buduru and Rajesh Sharma},
journal= {arXiv preprint arXiv:2406.06798},
year = {2024}
}
备注
Accepted to INTERSPEECH 24 Show & Tell Demonstrations