声纹模型基础
训练、推理的流程框架
ASV简介
关联任务
- 说话人日志（Speaker diarisation）通过声纹识别把说话人身份表示出来，采访、庭审
- 特定说话人分离 （Target speaker separation）机器在嘈杂场景能听到想听的人的声音
- 特定说话人合成/变声 （Target speaker synthesis/voice conversion）地图导航、私人语音助手
- 目标说话人语音识别 (Target speaker ASR)
- 语音分类任务（Speech Classification）
发展历史
传统的说话人识别系统对比端到端的说话人识别系统
编码层：将不定长的语音得到定长的向量，一般用到pooling层，全局的pooling，全局平均、全局池化
声纹识别数据及工具包
端到端说话人识别
1.模型框架
2.特征提取
预加重：补偿高频分量损失
分帧：语音信号非平稳，FFT的输入要求是平稳信号，25ms=0.025s ×16000=400个采样点
加窗：频谱泄露
FFT：通常采样点512 变成频域信号
取模：得到Spectrogram 频谱图
Mel滤波：Spectrogram线性图，而人耳信号是非线性的，将线性谱映射到非线性谱 得到FBank，常用于说话人识别
取对数：得到对数FBank
DCT：离散余弦变换，得到输出特征向量MFCC，常用于ASR
3.前端建模
3.1 D-Vector
D-Vector：只考虑当前帧的一个信息，每一帧都过全连接层，最后做average，得到embedding
3.2 X-VECTORS(TDNN)
模型框架分为两部分,frame-level帧级别建模,segment-level段级别建模
frame1:包含5帧的信息,既有当前帧，也有前后几帧。输入经过全连接层得到512维向量，再滑动平移
TDNN时延神经网络=1维的卷积神经网络1D CNN:考虑上下语音的信息
一维卷积（单通道）：时间轴上滑动
一维卷积（多通道）
24个channel进行卷积，求和
frame2:当前帧5帧，前2帧，后2帧，共9帧
frame3:当前帧9帧，前3帧，后3帧，共15帧.此时layer3
frame4 5:不考虑别的信息了，等价于DNN全连接层
3.3 ResNet（2D CNN）
总结
1D CNN 输出是一张图的高维特征
2D CNN 输出是多通道的特征图（多张图）
4.编码层
把不定长的语音向量，变成定长的语音向量。
4.1 GAP(Global Average Pooling) GSP(Global Statistics Pooling)
全局平均GAP
统计池化GSP
C：channel层
F：频域，通常不变。维度和特征不变
T：时域，随着语音信号长度改变
沿着不随时间变化的维度做池化
layer5中 一帧就是1500的向量，时间轴是T，沿着频域轴做SP
过两个segment全连接层，再softmax。
segment6的输出作为speaker embedding
4.2 ASP (Attentive Statistics Pooling)
基于注意力机制的统计池化层
给每一帧的特征过一个全连接层，过一个激活函数得到时间轴上这一帧的权重et，再给所有的权重做softmax。得到带权重的均值和方差。
用Transformer代替Attention
5.损失函数
5.1 Softmax
5.2 AAM-Softmax(ArcFace:Additive Angular Margin Loss for Deep Face Recognition)
5.3 CosFace=AM-Softmax
更推荐使用AM-Softmax
6.模型评估
现在打分常用余弦相似度Cosine Similarity
我们需要用大量的注册语音和测试语音来验证模型性能
Trial file
eg：当阈值为0.6 FAR=1/3 FRR=1/3