1.摘要

使用数据增强来提高深度神经网络(DNN)嵌入的说话人识别的性能。DNN被训练用来区分说话者，它将可变长度的话语映射到固定维的嵌入中，我们称之为x-vectors。使用数据增强，包括增加噪声和混响，提高鲁棒性。

2.前言

本文之前常用的模型叫做i-vectors，该文提出的模型叫做x-vectors。在训练特征的提取时采用了数据增强的方式，有效提高了DNN的性能。

i-vectors由UBM模型、映射矩阵T和分类器组成，UBM是一个通用的声学特征提取器，提取的特征向量features，送入映射矩阵T，得到维度低一些的i-vectors，由分类器判别i-vectors是否来自不同说话人。

神经网络可以直接被优化为说话人识别器，且仅仅需要说话人的标签。

3.说话人识别系统SPEAKER RECOGNITION SYSTEMS

3.1Acoustic i-vector

基于GMM-UBM架构，特征是20个mfcc，帧长为25ms，在3秒的滑动窗口上进行规范化。特征向量是附加了增量和加速创建的60维向量。基于能量的语音活动检测(SAD)用来选择与语音帧相对应的特征。UBM是一个2048分量的全协方差GMM。该系统使用一个600维的i-vector提取器和评分用的PLDA。

3.2Phonetic bottleneck i-vector

这个i-vector包含了来自ASR DNN声学模型的语音瓶颈特征(BNF)。DNN是一种具有p范数非线性的时滞声学模型。ASR DNN倒数第二层被60维的线性瓶颈层取代。BNF与第3.1节中描述的mfcc和增量连接起来，成100维的特征。该系统的其余组成部分(特征处理、UBM、i-vector提取器和PLDA分类器)与第3.1节中的声学vector相同。

3.3x-vector

这些特征是24维的滤波器组，帧长为25ms，在一个高达3秒的滑动窗口上进行平均归一化。与在基线系统中使用的相同的SAD算法过滤掉非语音帧(空白帧)。

如图所示，一段语音分为T段，每段有15帧。前五层是帧级网络，网络的连接图如下（手绘图来自声纹识别X-Vector - 草祭 (yyqx.online)）：

根据系统绘制的TDNN

第一层的每一个输出由[t-2, t+2]区间 范围的5个帧拼接得出，第二层的输出由{t-2，t，t+2}集合内的3个帧拼接，但总的来说，往前推的话其实是由第一层前输入的9个帧计算得来的，第三层、第四层以此类推，最终的输出融合了15个帧的信息。

每个段的15帧经过statistics polling统计池化层，即T个1500维的向量，在每个维度上计算均值和方差，得到1500维的均值向量加1500维的方差向量，共计3000维的向量，该向量融合了所有段的信息。

最后经过softmax层输出说话人概率。

4.数据增广Data augmentation

增强增加了现有训练数据的数量和多样性。我们的策略是附加噪声和混响。混响包括将房间脉冲响应(RIR)与音频进行卷积。对于附加噪声，我们使用MUSAN数据集，它包含超过900个噪音，来自不同类型的42小时的音乐和来自12种语言的60小时的语音。

为了增加录音，我们在以下随机选择之一：

说话声：从MUSAN语音中随机抽取3到7个说话者，累加起来，然后添加到原始信号中(13-20dB信噪比)。
音乐：从MUSAN中随机选择一个单一的音乐文件，根据需要进行裁剪或重复，并添加到原始信号中(5-15dB信噪比)。
噪声：在整个音频中每秒钟添加MUSAN噪声(0-15dB信噪比)。
混响：与模拟RIRs的卷积进行人工混响。