计算机应用

作者：王康, 董元菲

单位：1. 南京烽火天地通信科技有限公司, 南京 210019;2. 武汉邮电科学研究院, 武汉 430074

关键词：声纹识别,端到端模型,损失函数,卷积神经网络,深度说话人嵌入

基金：国家重点研发计划项目（2017YFB1400704）。

针对传统身份认证矢量（i-vector）与概率线性判别分析（PLDA）结合的声纹识别模型步骤繁琐、泛化能力较弱等问题，构建了一个基于角度间隔嵌入特征的端到端模型。该模型特别设计了一个深度卷积神经网络，从语音数据的声学特征中提取深度说话人嵌入；选择基于角度改进的A-Softmax作为损失函数，在角度空间中使模型学习到的不同类别特征始终存在角度间隔并且同类特征间聚集更紧密。在公开数据集VoxCeleb2上进行的测试表明，与i-vector结合PLDA的方法相比，该模型在说话人辨认中的Top-1和Top-5上准确率分别提高了58.9%和30%；而在说话人确认中的最小检测代价和等错误率上分别减小了47.9%和45.3%。实验结果验证了所设计的端到端模型更适合在多信道、大规模的语音数据集上学习到有类别区分性的特征。

来源：2019年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第10期