TitaNet：采用一维深度可分离卷积与全局上下文的说话人表征神经网络模型
音频与语音处理
2021-10-12 v1 声音
摘要
本文提出 TitaNet，一种用于提取说话人表征的新型神经网络架构。我们采用带全局上下文的 Squeeze-and-Excitation（SE）层的一维深度可分离卷积，后接基于通道注意力的统计量池化层，将变长语音映射为定长嵌入（t-vector）。TitaNet 是可扩展架构，在说话人验证任务上取得最先进性能，在 VoxCeleb1 测试集上等错误率（EER）为 0.68%，在说话人日志任务上 AMI-MixHeadset 上日志错误率（DER）为 1.73%、AMI-Lapel 上为 1.99%、CH109 上为 1.11%。此外，我们研究了 TitaNet 的多种规模，并提出仅含 6M 参数的轻量 TitaNet-S 模型，在日志任务上取得接近最先进的结果。
引用
@article{arxiv.2110.04410,
title = {TitaNet: Neural Model for speaker representation with 1D Depth-wise separable convolutions and global context},
author = {Nithin Rao Koluguri and Taejin Park and Boris Ginsburg},
journal= {arXiv preprint arXiv:2110.04410},
year = {2021}
}
备注
preprint. Submitted to ICASSP 2022