NeurIPS 2023丨说话人识别：语音解耦与自监督

 论文链接：

https://arxiv.org/abs/2310.01128

该研究由新加坡国家科技局（A⋆STAR）、新加坡国立大学、香港理工大学和香港中文大学（深圳）的研究人员共同完成。该项工作已被NeurIPS 2023（main track）接收。

对于说话人识别/验证（speaker recognition/verification）任务而言，提取准确的说话人表征（speaker representation）是非常困难的，因为语音信息中同时包含了说话人特征信息和语音内容信息[1]。

为了减少内容信息变化带来的影响，很多现有的工作使用phonetic信息作为特征提取的辅助信息[2-4]。而这种方法往往需要比说话人识别模型大很多的语音识别（ASR）模型[2]，或者需要训练数据中包含文本信息的标签[3,4]。以说话人识别广泛使用的VoxCeleb数据集[5]为例，准确地标注超过百万条语音的文本标签是成本极高的。

为了解决上述问题，在这篇论文中，研究人员提出了一个新的解耦框架(disentanglement framework)。该框架可在只使用说话人标签，而文本标签缺失的情况下训练，完成对语音信号中说话人特