本文探讨声纹识别的发展，特别是基于深度学习的方法。声纹识别涉及特征提取、模型建立和得分计算三个核心步骤。从传统统计和机器学习方法到深度学习的DNN-based系统和End-to-End端到端模型，深度学习显著提升了声纹识别的性能，如x-vector通过短时语音捕捉用户声纹信息。此外，还介绍了相关的其他语音技术。
本文主要围绕几个主题展开：
- 声纹识别的发展历程
- 目前的主流方向，基于深度学习的声纹识别
- 最后介绍一下相关的其他语音技术
首先我们来看下声纹的概念及为什么可用于识别
声音就是一段波，声纹就是携带了信息的声波频谱
声纹特征与其他生物特征的对比及特点
声纹识别在产品上的本质主要就是以下两种工作方式： 1比1 和 1比N
工作流程大致如下：
- 提取语音，预处理，提取特征
- 利用训练好的模型，计算该语音对应的声纹模型或者声纹特征
- 最后进行相似度打分，得到结果
由此我们可以看出声纹识别主要就是三大部分：特征，模型，得分。下面根据这三大要素分别阐述
声纹识别三大部分：特征，模型，得分
首先看下这三大部分的整体技术流派和技术发展路线
语音特征介绍
声纹模型的衍进
传统的声纹识别 主要是基于统计思想和概率论，结合声学，信号学，机器学习等算法
2012年，跨入了以deep learning 为主线的算法，DNN-based系统陆续出现，并基于深度学习领域的新思想持续改良
近两年发展起来的End-to-End 端到端系统，代表：2018年谷歌百度的相关论文
可以参考回答
声纹识别算法有哪几种？www.zhihu.com
基于深度学习的声纹技术
上面的网络结构中，有一个Statistics Pooling Layer，负责将Frame-level Layer，Map到Segment-Level Layer，计算frame-level Layer的Mean和standard deviation。TDNN是时延架构，Output Layer可以学习到Long-Time特征，所以x-vector可以利用短短的10s左右的语音，捕捉到用户声纹信息，在短语音上拥有更强的鲁棒性。
其他语音技术介绍
扫一扫
1243
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
