28、基于x-vectors的说话人识别与分割技术详解

基于x-vectors的说话人识别与分割技术详解

1. 说话人识别概述

说话人识别旨在回答“谁在说话？”这一问题，通常分为说话人辨识和说话人验证两个任务：
- 说话人辨识 ：通过将说话人的语音与一组封闭的模板进行比较来识别说话人。
- 说话人验证 ：通过比较语音属于特定说话人的可能性与预定阈值来识别说话人。

传统机器学习方法在理想条件下能很好地完成这些任务，但在不利条件下，x-vectors的深度学习方法在许多场景和应用中取得了最先进的成果。

2. 数据集管理

2.1 数据集下载

使用LibriSpeech数据集的子集，该数据集是一个大型的英语朗读语音语料库，采样率为16 kHz。需要下载100小时的训练数据子集、干净的开发集和干净的测试集。

dataFolder = tempdir;
datasetTrain = fullfile(dataFolder,"LibriSpeech","train-clean-100");
if ~datasetExists(datasetTrain)
    filename = "train-clean-100.tar.gz";
    url = "http://www.openSLR.org/resources/12/" + filename;
    gunzip(url,dataFolder);
    unzippedFile = fullfile(dataFolder,filename);
    untar(