42、提升儿童短语音自动说话人验证系统性能：数据增强与特征融合策略

提升儿童短语音自动说话人验证系统性能：数据增强与特征融合策略

1. 引言

在当今社会，社交网络和在线学习工具风靡一时。它们在信息传播方面发挥着重要作用，但也带来了敏感数据泄露和身份盗窃的风险。尤其是儿童，由于对这些风险缺乏认知，更容易成为受害者。自动说话人验证（ASV）系统作为一种安全工具，能够验证说话人的身份，在保障儿童网络安全方面具有重要意义。

然而，构建儿童ASV系统面临诸多挑战。最大的难题是儿童语音语料库稀缺，这使得训练模型所需的数据严重不足。此外，儿童语音数据库语言种类有限，对于缺乏儿童语音语料的语言（零资源条件），开发ASV系统更是难上加难。即使有少量儿童语音数据（低资源条件），使用深度学习架构开发儿童ASV系统也极具挑战性，因为深度学习需要大量特定领域的数据来估计大量参数。

为应对这些挑战，研究人员采用了数据增强技术和特征融合方法。数据增强通过对现有数据进行修改和扩充，增加训练数据的数量和多样性；特征融合则将不同的前端特征结合起来，以捕获更全面的语音信息。

2. 数据准备与特征提取

为了获取更多可用于训练的儿童语音数据，研究人员采用了多种数据修改技术，包括语音转换（VC）、韵律修改（PM）和共振峰修改（FM）。经过这些处理后，得到了63小时具有类似儿童语音声学属性的合成数据。

在特征提取方面，使用了Kaldi工具包来创建整个ASV系统配置并进行实验。采用了两种前端声学特征，即梅尔频率倒谱系数（MFCC）和逆梅尔频率倒谱系数（IMFCC）来表示语音信号。具体的特征提取步骤如下：
1. 预处理 ：语音数据通过一阶高通滤波器，预加重因子为0.97。
2