26、端到端短语音说话人验证与多类不平衡大数据分类综合分析

端到端短语音说话人验证与多类不平衡大数据分类综合分析

端到端短语音说话人验证

在说话人验证领域，不同模型有着不同的表现。以下是各种模型的对比：
| 论文 | 模型 | 特征提取 | 数据集 | 错误率(%) |
| — | — | — | — | — |
| Paper [9] | GMM - UBM | 频谱图 | VoxCeleb1 | 15.0 |
| Paper [9] | VGG | 频谱图 | VoxCeleb1 | 7.80 |
| Paper [5] | GMM - UBM + i - vector | MFCC | NIST’08 | 16.62 |
| Paper [12] | RACNN - LSTM | RAWNET | VoxCeleb1 | 4.80 |
| Paper [1] | CNN - GRU | RAWNET | VoxCeleb2 | 3.52 |

从表格可以看出，以原始波形作为输入且采用 CNN - GRU 架构的模型在说话人验证系统中表现更佳。因此，我们提出开发一个使用原始波形的端到端说话人验证系统，尤其针对短语音的原始波形。

提出的系统

在对现有模型进行全面的文献调研后，我们考虑采用具有 CNN - GRU 前端架构的端到端系统。该系统以原始波形为输入，为语音生成说话人嵌入，随后进行分析。
- 原始波形 ：在语音验证系统中，传统模型通常使用 MFCC 和频谱图等中间特征作为输入。然而，由于滤波器组类型和幅度压缩的限制，输入的频谱信息有限，这会影响模型架构。为解决此问题，基于波形的 CNN 被用于