Feb, 2022

短语音检测的文本无关说话人验证中多尺度频率通道注意力的 TDNN

PDF
TL;DR本研究提出了多尺度频道注意力机制（MFA），其采用新颖的双通道设计，即卷积神经网络和时延神经网络，可用于对不同尺度的讲话者进行表征，并在短语态测试语句下表现出优异的成绩，其在 VoxCeleb 数据库上表现出最先进的性能，同时减少了参数和计算复杂度。
time delay neural networkspeaker verificationmulti-scale frequency-channel attentionconvolutional neural networkshort utterance scenarios
发现论文，激发创造
  • 动态全局滤波器双流时间延迟神经网络在说话人验证中的应用

    本文提出 Global Filter for TDNN 和 Dual-Stream TDNN 模型，可在语音辨识方面取得显著的效果，同时减少了参数和复杂性。

    Mar, 2023

  • 基于 TDNN 的说话人验证中的强调通道关注和传递聚合 (ECAPA-TDNN)

    本文提出了一种基于统计汇聚、1D Res2Net 模块和 Squeeze-and-Excitation 机制等增强方法的 ECAPA-TDNN 神经网络架构，利用此架构改进了当前流行的 X-Vector 神经网络架构，显著提高了说话人识别性能。

    May, 2020

  • 深度说话者特征学习用于文本非依赖型说话者验证

    本文研究使用卷积时延深度神经网络结构（CT-DNN）来学习说话人特征，实验结果表明 CT-DNN 可以产生高质量的说话人特征，即使使用单一特征（包括上下文的 0.3 秒），错误拒识率亦可低至 7.68%。

    May, 2017

  • 大规模学习通用表示以实现说话人识别

    本研究旨在开发一种演讲者识别模型，该模型需要经过充分的架构和大量数据的训练，最终能够在不同的场景下得到实际应用，并且经过实验证明，采用 MFA-Conformer 模型和大数据训练配置可以使性能提高超过 20%。

    Oct, 2022

  • 频率和多尺度选择性核关注在说话人验证中的应用

    本研究提出了一种自适应地选择卷积核大小的机制（SKA），通过利用频道信息和注意力机制，改进了现有的演讲者验证体系结构，且在三种不同的评估协议中经过充分的实验验证，改进后的 SKA 变体的表现持续提高，并具备良好的互补性。

    Apr, 2022

  • 跨时延神经网络用于说话人识别

    本研究提出交叉时延神经网络（CTDNN）结构来提高当前 TDNN 的性能，用于说话人识别系统中。CTDNN 在许多任务中提供了比原始 TDNN 更显着的改进，如说话人验证和识别任务，尤其在某些情况下将识别精度提高了一倍以上，此外，CTDNN 还能够更好地处理更大批次的训练数据，并在较短的训练时间内更好地利用计算资源。

    May, 2020

  • 低资源说话者验证的动态核和通道注意力

    本文提出一种利用卷积神经网络中的基于注意力的动态卷积核来提高模型分辨率能力的方法，将模型参数适应于特征条件，通过通道注意力和多层特征聚合进一步提取全局语音特征，从而提高特征表示效果。实验结果表明，该方法在使用较少数据的情况下取得了良好的识别效果。

    Nov, 2022

  • 面向鲁棒语音识别的语音增强和噪音感知网络

    提出了一个基于噪声感知的训练框架，将增强语音引入到声学模型的多条件训练中，通过两个级联的神经结构来优化增强语音和语音识别，并取得了较好的实验结果。

    Mar, 2022

  • LightCAM: D-Tdnn 语者验证的快速轻量级上下文感知遮蔽算法实现

    本研究提出了一种快速、轻量级的模型 LightCAM，它采用了深度可分离卷积模块 (DSM) 和多尺度特征聚合 (MFA) 技术，在 VoxCeleb 数据集上进行了广泛实验，结果显示在 VoxCeleb1-O 中，它实现了 0.83 的等错误率 (EER) 和 0.0891 的最小检测费用 (MinDCF)，优于其他主流的说话者验证方法，并且复杂性分析表明所提出的架构具有较低的计算成本和更快的推理速度。

    Feb, 2024

  • MFAAN：利用多特征真实性网络揭示音频深度伪造

    为了解决深度伪造音频内容的问题，该研究引入了多特征音频真实性网络 (MFAAN)，该网络结构利用 Mel 频率倒谱系数 (MFCC)、线性频率倒谱系数 (LFCC) 和色度短时傅立叶变换 (Chroma-STFT) 等多种音频表示方法，通过协同融合这些特征，能够准确鉴别真实和伪造的录音，初步评估显示其在两个基准数据集上表现出卓越的性能，实现了分别达到 98.93% 和 94.47% 的准确率，这不仅突显了 MFAAN 的功效，还凸显了它作为应对深度伪造音频内容的关键工具的潜力。

    Nov, 2023