英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
泛化端到端损失函数的说话者验证
Li Wan Quan Wang Alan Papir Ignacio Lopez Moreno
摘要
在本文中，我们提出了名为泛化端至端（GE2E）损失的一个新的损失函数，这使得说话者验证的训练模型比我们以前的基于元组的端到端（TE2E）损失函数更有效。不像TE2E，GE2E损失函数以一种强调示例的方式更新网络，该示例在培训过程的每个步骤都难以验证。另外，GE2E损失函数不需要示例选择的初始化阶段。有了这些特性，该模型与新的损失函数学习一个更好的模型，通过在较短的时间内将EER降低10％以上，并通过将训练时间减少超过60％来实现。我们还介绍了MultiReader技术，该技术使我们能够进行域自适应-训练更准确的模型，该模型支持多个关键字（例如“OK Google”和“Hey Google”）以及多种方言。
索引词：说话人验证，端到端损失函数，MultiReader，关键字检测
1.引言
1.1 背景
说话者验证（SV）是使用语音匹配[1、2]等应用程序根据说话者的已知说话（即注册说话）验证说话是否属于特定说话者的过程。
根据注册和验证所用话语的限制，说话者验证模型通常分为两类之一：文本相关的说话者验证（TD-SV）和文本无关的说话者验证（TI-SV）。在TD-SV中，注册和验证话语的笔录都受到语音的限制，而在TI-SV中，注册或验证话语的笔录没有词典限制，从而暴露出较大的音素变化和发声持续时间[3， 4]。在这项工作中，我们专注于TI-SV和TD-SV的一个特定子任务，称为全局密码TD-SV，其中验证基于检测到的关键字，例如“OK Google” [5，6]
在以前的研究中，基于i-vector的系统一直是TD-SV和TI-SV应用的主要方法[7]。近年来，更多的努力集中在使用神经网络进行说话人验证上，而最成功的系统则使用端到端培训[8,9,10,11,12]。在这样的系统中，所述神经网络的输出载体通常被称为嵌入矢量（也称为d-vector）。类似于i-vector的情况，这种嵌入可用于表示固定维空间中的发音，在该维中，其他通常更简单的方法可用于消除说话者歧义。
1.2 基于元组的端到端损失
在我们以前的工作[13]中，我们提出了基于元组的端至端（TE2E）模型，模拟运行注册和验证在训练中两阶段。在我们的实验中，结合了LSTM [14]的TE2E模型达到了当时的最佳性能。对于每个训练步骤，一个评估发声Xj〜和M个注册发声Xkm（对于m = 1，...，M）被供给到我们的LSTM网络：{Xj〜（XK1，...，XKM）}，其中x表示所述特征（对数梅尔-滤波器组能量）固定长度段，j和k代表发音的说话者，并且j可以等于或者可以不等于ķ。元组包括来自说话者j的单个发音和来自说话者k的M个不同发音。如果Xj~和M个注册语音都来自同一说话者，即j = k，我们称一个正元组，否则称为负元组。我们交替生成正负元组。
对于每个输入元组，我们计算LSTM的L2归一化响应：{ej〜（ek1，...，ekM）}。在此，每个e是固定大小的嵌入向量，该向量是由LSTM定义的序列到向量的映射产生的。元组的质心（ek1，...，ekM）表示从M语音建立的声纹，其定义如下：
,(1)
通过余弦相似度函数来定义相似度：
(2)
其中w和b是可学习的。TE2E损失函数最终定义为：
(3)
此处sigma;(x)= 1 /（1 e-x）是标准的S型函数，如果j = k，则delta;（j，k）等于1，否则等于0。当以下情况时，TE2E损失函数会鼓励使用更大的s值： k=j，并且当kne;j时s较小。考虑正负元组的更新-此损失函数与FaceNet[15]中的三元组损失非常相似。
1.3 总览
在这篇论文中，我们介绍了一个概括的我们TE2E的架构。这种新的架构构建的元组从输入序列的不同长度以更有效的方式，导致显著的性能和训练速度两个TD-SV和TI-SV提升。本文的组织结构如下：2.1我们给出了GE2E损失函数的定义; 2.2 GE2E为什么更有效地更新模型参数的理论依据； 2.3引入了一种称为“ MultiReader”的技术，该技术使我们能够训练一个支持多种关键字和语言的模型。最后，我们在Sec中介绍我们的实验结果3。
2.泛化端到端模型
泛化端到端（GE2E）训练基于一次处理大量语音的形式，该批处理包含N个说话者，每个说话者平均M个发音，如图1所示。
2.1 训练方法
我们获取Ntimes;M语音以构建批处理。这些话语来自N个不同的扬声器，每个扬声器有M个话语。每个特征向量xji（1le;jle;N和1le;ile;M）代表从说话人口述i中提取的特征。与我们以前的工作[13]相似，我们将从每个发声xji提取的特征输入LSTM网络。线性层连接到最后一个LSTM层，作为网络最后一个帧响应的附加转换。我们将整个神经网络的输出表示为f（xji; w ），其中w代表神经网络的所有参数（包括LSTM层和线性层）。嵌入矢量（d矢量）定义为网络输出的L2归一化：
,（4）
这里的eji表示第j个说话者的第i句话语的嵌入向量。通过公式1将来自第j个说话者[ej1，hellip;，ejM]的嵌入向量的质心定义为cj。
相似度矩阵Sji，k定义为每个嵌入向量eji与所有质心ck之间的缩放余弦相似度（1le;j，kle;N，1le;ile;M）：
，（5）
其中w和b是可学习的参数。我们将权重限制为正wgt; 0，因为当余弦相似度较大时，我们希望相似度较大。TE2E和GE2E之间的主要区别如下：
bull;TE2E的相似性（等式2）是标量值定义嵌入矢量ej~之间的相似度和单个元组矩心ck。
bull;GE2E建立相似度矩阵（等式5），该矩阵定义每个eji与所有质心ck之间的相似度。
图1以不同的颜色表示了来自不同说话者的特征，嵌入向量和相似度得分，从而说明了整个过程。
在训练过程中，我们希望每个发音的嵌入都与该说话者的质心相似，同时又远离其他说话者的质心。如图1的相似度矩阵所示，我们希望着色区域的相似度值较大，而灰色区域的相似度值较小。图2以不同的方式说明了相同的概念：我们希望蓝色嵌入矢量接近其说话者的质心（蓝色三角形），而远离其他质心（红色和紫色），尤其是最接近的质心（红色三角形）。给定嵌入向量eji，所有质心ck和对应的相似性矩阵Sji，k，有两种方法可以实现此概念：
Softmax我们在k = 1，...，N时在Sji，k上放置一个softmax，使输出等于1，如果k = j，否则使输出等于0。因此，每个嵌入矢量eji的损失可能是德网络定义为：
,（6）
此损失函数意味着我们将每个嵌入矢量推向其质心附近，并将其拉离所有其他质心。
对比 在正对和最积极的负对上定义对比度损失为：
,（7）
其中sigma;（x）= 1 /（1 e -x）是S形函数。对于每一个发声，正好两个组件被添加到损失函数：（1）一种正向分量，其与嵌入矢量之间的正匹配相关联并且它是真实说话者的声纹（质心）。（2）一种顽固的负分量，与嵌入向量和声纹（质心）之间的负匹配相关，在所有错误说话者中相似度最高。
在图2中，正项对应于将eji（蓝色圆圈）推向cj（蓝色三角形）。负项对应于将eji（蓝色圆圈）拉离ck（红色三角形），因为与ck0相比，ck与eji更相似。因此，对比度损失使我们能够专注于嵌入向量和负质心的困难对。
在我们的实验中，我们发现GE2E损失的两种实现都是有用的：对比度损失对于TD-SV表现更好，而softmax损失函数对于TI-SV表现更好。
此外，我们观察到的是，当除去eji计算真正的扬声器的重心，使训练稳定，有助于避免琐碎的解决方案。因此，尽管在计算负相似度（即kne;j）时仍使用等式1，但是当k = j时，我们使用等式8：
，（8）
,（9）
结合方程式4、6、7和9，最终GE2E损失函数LG是相似矩阵（1le;jle;N，1le;ile;M）上所有损失的总和：
.（10）
图1.系统总览。不同的颜色表示来自不同说话人的语音/嵌入。
图2.GE2E损失推向真正的质心嵌入扬声器，并且远离从该质心的的最相似的不同的扬声器。
2.2 比较TE2E和GE2E
考虑GE2E损失更新中的单个批次：我们有N个发言人，每个发言人有M个发音。每个单步更新将推动所有Ntimes;M个嵌入矢量朝着自己的重心，拉他们离开对方重心。这反映了每个xji TE2E损失函数[13]中所有可能的元组所发生的情况。假设比较说话者时，我们从说话者j中随机选择P发音：
1.正元组: {xji，（xj，i1，...，xj，iP）}对于1le;iple;M且p = 1，...，P。 有(MP)这样的正元组。
2.负元组：{ xji，（xk，i1，...，xk，iP）}对于k 6 = j，对于p = 1，...，P，1le;iple;M。对于每个xji，我们必须与所有其他N - 1个质心进行比较，其中N - 1个比较中的每组包含（MP）个元组。每个正元组与一个负元组平衡，因此总数是正元组和负元组的最大数量乘以2。因此，TE2E丢失中的元组总数为：
.（11）
等式11的下界出现在P = M时。因此，我们的GE2E损失中xji的每次更新至少等于我们的TE2E损失中至少2（N - 1）步。以上分析显示了GE2E为什么比TE2E 更有效地更新模型，这与我们的经验观察一致：GE2E在较短的时间内收敛到更好的模型（有关详细信息，请参见第3节）。
2.3 使用MultiReader进行训练
考虑以下情况：我们关心具有小数据集D1的域中的模型应用程序。同时，我们在相似但不相同的域中拥有更大的数据集D2。我们希望在D2的帮助下训练一个在数据集D1上表现良好的单一模型：
（12）
这类似于正则化技术：在正常正则化中，我们使用对模型进行正则化。但是这里，我们使用进行正则化。当数据集D1没有足够的数据时，在D1上训练网络可能会导致过度拟合。要求网络在D2上也要表现得相当好，这有助于规范网络。可以将其概括为组合K个不同的，可能极不平衡的数据源：D1，hellip;，DK。我们分配一个权重alpha;k给每个数据源，表示数据源的重要性。在训练期间，在每个步骤中，我们从每个数据源中获取一批/多批发声，并将总损失计算为公式10。
3.实验
在我们的实验中，特征提取过程与[6]相同。音频信号首先被转换为宽度为25ms和步长为10ms的帧。然后，我们提取40维log-mel-filterbank能量作为每帧的特征。对于TD-SV应用程序，相同的功能可用于关键字检测和说话者验证。关键字检测系统仅将包含关键字的帧传递到说话者验证系统。这些帧形成固定长度（通常为800ms）的段。对于TI-SV应用，我们通常在语音活动检测（VAD）之后提取随机的固定长度段，并使用滑动窗口方法进行推理（在第3.2节中讨论）。
我们的生产系统使用带有投影的三层LSTM [16]。嵌入矢量（d-vector）的大小与LSTM投影大小相同。对于TD-SV，我们使用128个隐藏节点，投影大小为64。对于TI-SV，我们使用768个隐藏节点，投影大小为256。训练GE2E模型时，每批包含N = 64个说话者，M = 10个发音每个说话者。我们使用初始学习率0.01的SGD训练网络，并每30M步将其减少一半。梯度的L2范数被裁剪为3 [17]，并且LSTM中投影节点的梯度比例设置为0.5。关于损失函数的缩放因子（w,b），我们也观察到了良好的初始值为（w，b）=（10，-5），和0.01对它们的较小梯度规模有助于平滑收敛。
3.1 文本相关的说话人验证
尽管现有的语音助手通常仅支持一个关键字，但研究表明用户更喜欢同时支持多个关键字。对于Google Home上的多用户，同时支持两个关键字：“OK Google”和“Hey Google”。
表格1.MultiReader与直接混合数据源相比。
表2.文本相关的说话人验证EER。
在TD-SV和TI-SV之间启用针对多个关键字的说话者验证，因为该笔录既不包含在单个短语中，也不完全不受限制。我们使用MultiReader技术（第2.3节）解决了这个问题。与更简单的方法相比，MultiReader具有巨大的优势，例如，将多个数据源直接混合在一起：它可以处理不同数据源大小不平衡的情况。在我们的案例中，我们有两个用于训练的数据源：1）一个来自匿名用户查询的“OK Google”训练集，该查询的发音约
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[240131]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
