基于频域卷积和三元组损失的端到端声纹识别

摘要

针对传统i-vector声纹识别模型在背景噪声急剧增加时泛化弱的问题,设计一种能学习丰富频域信息的卷积神经网络,并结合三元组损失构成端到端模型——Triplet-FD-CNN.该模型通过三元组损失约束含有频域卷积的CNN,直接训练特征空间上嵌入间的欧氏距离,使异类距离增大且同类距离缩小;同时拼接相同标签下的不同短语音,以缩小单条语音特征与说话人总体的差异.实验表明,Triplet-FD-CNN模型相对i-vector方法在辨认中的Top-1和Top-5准确率分别提高了45％和28.9％;在确认中的最小检测代价和等错误率分别减少了14％和25.5％.实验验证了Triplet-FD-CNN模型的鲁棒性强,能得到的嵌入类别区分性好.