面向稳健说话人嵌入的 Xi+：不确定性监督
声音
2026-01-23 v4 音频与语音处理
摘要
存在多种因素会影响说话人识别系统的性能，包括情绪、语言以及其他说话人相关或情境相关的变异。由于单个语音帧在对整个语音的表示贡献不相等，估计每帧的重要性或可靠性至关重要。xi-vector模型通过基于不确定性估计为帧分配不同权重来解决此问题。然而，其不确定性估计模型仅通过分类损失隐式训练，未考虑帧之间的时序关系，可能导致监督不佳。在本文中，我们提出了改进架构xi+。与xi-vector相比，xi+包含时序注意力模块，以上下文感知方式捕获帧级不确定性。此外，我们引入新型损失函数——随机方差损失（Stochastic Variance Loss），显式监督不确定性学习。结果表明，在VoxCeleb1-O数据集上实现约10%的性能提升，在NIST SRE 2024评估集上实现约11%的提升。
引用
@article{arxiv.2509.05993,
title = {Xi+: Uncertainty Supervision for Robust Speaker Embedding},
author = {Junjie Li and Kong Aik Lee and Duc-Tuan Truong and Tianchi Liu and Man-Wai Mak},
journal= {arXiv preprint arXiv:2509.05993},
year = {2026}
}