Mar, 2022

无参考关注评分技术用于说话人验证

PDF
TL;DR该研究是围绕无需参数的注意力评分机制对说话者验证进行研究，其中提出了一种注意力机制，并与传统余弦相似度基准进行对比，结果表明在多个任务的平均 EER 方面，新的评分机制可将 EER 提高 10%。
speaker verificationattention mechanismparameter-free scoringneural networksenrollment and test segment representations
发现论文，激发创造
  • 深度说话人嵌入的注意统计池化

    本文提出了一种基于关注机制统计池化的深度说话人嵌入，在 NIST SRE 2012 和 VoxCeleb 数据集上的评估结果显示，它在说话人验证任务中比传统方法减少了 7.5% 和 8.1% 的等错误率，其适配长期说话特征变化的能力更强。

    Mar, 2018

  • 端到端的文本相关说话人验证

    本文介绍了一种数据驱动的、集成化的发言人验证方法，通过将测试用例和参考用例直接映射到一个以同样的评估协议和度量为基础的验证分数来优化系统的组件及评估，该方法可提高大数据应用中高度准确、易于维护、系统空间小的系统效率。此外，本文还提出了一种单一神经网络架构来解决此问题，并在内部基准中评估，该方法表现出非常高的效果。

    Sep, 2015

  • 神经发音者嵌入中的余弦评分与不确定性

    该论文提出了一种在说话者嵌入前端估计和余弦相似度评分后端传播不确定性的方法，实验证实了该方法在处理由嵌入估计引起的不确定性方面的有效性，与传统的余弦相似度相比，EER 和 minDCF 平均减少了 8.5% 和 9.8%，在实践中计算效率也较高。

    Mar, 2024

  • 大规模自监督语音表征学习用于自动化说话者验证

    使用预训练模型学习到的语音表示作为输入特征，采用可学习权重的平均表示方法，在 Voxceleb 数据集上进行了自我监督训练，实现了自动说话人验证，在三个官方测试中分别取得了 0.537％、0.569％和 1.180％的等误差率（EER），超越了 VoxCeleb Speaker Recognition Challenge 2021 (VoxSRC2021) 中的优胜系统。

    Oct, 2021

  • 基于注意力的在线自适应说话人身份识别方法

    本文提出了一种基于注意力机制的在线自适应方法，以处理视频分析领域的说话人识别任务，实现对新数据的模型更新，减少模型设置时间，并在多项评估指标中比较了该方法与现有梯度方法的性能优劣，进一步验证了该方法的有效性。

    Dec, 2019

  • 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

  • 2022 远场说话人验证挑战赛的 SpeakIn 说话人验证系统

    本文介绍了 SpeakIn 团队提交的 Far-Field Speaker Verification Challenge 2022（FFSVC2022）任务一和任务二的讲话者验证（SV）系统。我们采用基于 ResNet 和 RepVGG 的架构，采用全局统计汇集结构和 MQMHA 池化结构进行特征汇集，创新性地提出了分阶段迁移学习方法来提高模型性能，解决了领域不匹配问题，并在两个挑战任务中表现出优异的性能。

    Sep, 2022

  • 辩护度量学习在说话人识别中的应用

    本文针对未知说话人的 “开放式” 说话人识别问题，提出了一种度量学习的方法，该方法使用紧凑的嵌入来表示语音信息，并对最流行的损失函数进行了广泛评估，结果表明该方法优于现有的先进方法。

    Mar, 2020

  • 深度说话人嵌入中的注意力机制学习了什么？

    本文采用注意力机制实现深度说话人嵌入，将注意力模型作为帧选择器，计算每个帧级特征向量的注意力权重来产生说话人嵌入模型的汇聚层中的语音表征等内容，并在 NIST 演讲者识别评估 (SRE) 任务中进行 9.0％ EER 降低和 3.8％min_Cprimary 降低的实验，同时，还阐述了在深度说话人嵌入和 i 向量系统中结合 DNN 软语音活动检测 (VAD) 与注意力机制，将显著降低 minCprimary。

    Sep, 2018

  • SEF-VC：无说话人嵌入的零样本声音转换与交叉注意力

    SEF-VC 是一种无需说话者嵌入的语音转换模型，通过强大的位置不可知的跨注意力机制从参考语音中学习和融入说话者音色，并以非自回归的方式从 HuBERT 语义标记中重建波形，提高了稳定性和语音转换性能。客观和主观评价证明了 SEF-VC 相对于强零样本 VC 基线的优越性，在生成高质量语音时与目标参考的相似性更好，即使对于非常短的参考讲话。

    Dec, 2023