0
雷鋒網(wǎng)按：此前雷鋒網(wǎng)曾經(jīng)報道過百度在語音技術(shù)上的進展。日前，百度美研院宣布了其在聲紋識別上所取得的突破性成果。研究表明：利用深度學習的方法比傳統(tǒng)的i-vector方法在識別準確率上獲得了顯著的提高。
聲紋識別算法尋求從音頻中識別說話者的身份。兩個常見的識別任務(wù)是確認（說話者是不是他宣稱的那個人）和說話者身份識別（在一群未知的說話者中確認聲音的來源）。
該項技術(shù)已經(jīng)有了各種應(yīng)用。例如，聲紋可以用來登錄設(shè)備。說話者確認也可以作為金融交易的額外安全措施。此外，類似于智能家居助手之類的共享設(shè)備也可以利用這項技術(shù)來提供個性化的服務(wù)。
最近使用神經(jīng)網(wǎng)絡(luò)來進行聲紋識別的論文已經(jīng)改進了傳統(tǒng)的i-vector方法（參考Interspeech教程的原始論文或者幻燈片）。i-vector方法認為說話內(nèi)容可以被分為兩個部分，一個部分依賴于說話者和信道可變性，另一個部分依賴于其它的相關(guān)因素。i-vector聲紋識別是一個多步過程，其涉及到使用不同說話者的數(shù)據(jù)來估計一個通用的背景模型（通常是高斯混合模型），收集充分的統(tǒng)計數(shù)據(jù)，提取i-vector，最后使用一個分類器來進行識別任務(wù)。
一些論文用神經(jīng)網(wǎng)絡(luò)代替了i-vector流水線的方法。其它研究者要么訓練了一個文本相關(guān)（使用者必須說同樣的話）的端對端語者識別系統(tǒng)，要么訓練了文本獨立（這個模型與說話內(nèi)容不相關(guān)）的端對端語者識別系統(tǒng)。我們介紹Deep Speaker：一個端對端的神經(jīng)聲紋識別系統(tǒng)，它在文本相關(guān)和文本獨立的場景下都取得了良好的效果。這意味這個系統(tǒng)可以被訓練來識別誰在說話，無論是當你對你的家庭助手說“wake”或者你在會議中發(fā)言。
Deep Speaker由深度神經(jīng)網(wǎng)絡(luò)層組成，從音頻中提取特征，基于余弦相似性的時間池和三元組損失（triplet loss）。百度美研院探究了ResNet激活的卷積模型和現(xiàn)有模型在提取聲學特征上的效果。
說明：在這里百度美研院使用了人臉識別中采用的三元組損失。在訓練過程中，他們選擇了一個說話者的話語，然后計算一個嵌入（標記為“Anchor”）。再產(chǎn)生兩個嵌入，一個來自相同的演講者（標記為“Positive”），一個來自于不同的演講者（標記為“Negative”）。在訓練過程中，其目標是讓Anchor與positive嵌入之間的余弦相似度高于Anchor與negative嵌入之間的余弦相似度。
百度美研院展示了Deep Speaker在三個不同數(shù)據(jù)集上的有效性，包括文本相關(guān)和文本獨立的任務(wù)。其中之一的UIDs數(shù)據(jù)集包括大約250000名說話者，是知識文獻中最大的數(shù)據(jù)集。實驗結(jié)果表明：Deep Speaker要明顯優(yōu)于基于DNN 的i-vector方法。例如，在一個文本獨立的數(shù)據(jù)集中隨機挑選出100個演講者，Deep Speaker在說話者身份確認任務(wù)上的錯誤率是1.83%，正確率是92.58%。相比于基于DNN 的i-vector方法，它降低了50%的錯誤率，提高了60%的正確率。
說明：在實驗中百度美研院所使用的數(shù)據(jù)集是 UIDs，XiaoDu，和Mandarin。UIDs和XiaoDu是普通話數(shù)據(jù)集，Mturk是英語數(shù)據(jù)集。UIDs和Mturk是文本獨立的數(shù)據(jù)集，XiaoDu是文本相關(guān)的數(shù)據(jù)集，其基于百度的喚醒字（wake word）。為了在不同大小的訓練集上做實驗，他們用了全部的UIDs數(shù)據(jù)集（250,000）和它的一個子集（50,000）。在評估階段，他們選擇了一個Anchor，然后再從測試部分隨機地選擇1個Anchor positive樣本和99個Anchor negatives樣本。
團隊還發(fā)現(xiàn)Deep Speaker學習到了與語言無關(guān)的特征。當在普通話語境下訓練時，Deep Speaker卻能在英文確認和識別的任務(wù)上達到5.57%的錯誤率和88%的正確率。此外，先用普通話再用英文訓練可相比于只用英文訓練，提高了英文識別的準確率。這些結(jié)果都顯示出盡管不同的語言聽起來非常不同,深度語者卻學習到了跨語言的聲音特征。這些結(jié)果與Deep Speech 2的結(jié)果類似，同樣的架構(gòu)都可以用來辨認不同語言的聲紋識別。
關(guān)于Deep Speaker模型的更多細節(jié)，訓練技巧和實驗結(jié)果都可以在論文中找到。
論文地址：https://arxiv.org/abs/1705.02304
via research.baidu，雷鋒網(wǎng)翻譯
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
