Detail publikace

On the Usage of Phonetic Information for Text-independent Speaker Embedding Extraction

WANG Shuai, ROHDIN Johan A., BURGET Lukáš, PLCHOT Oldřich, QIAN Yanmin, YU Kai a ČERNOCKÝ Jan. On the Usage of Phonetic Information for Text-independent Speaker Embedding Extraction. In: Proceedings of Interspeech. Graz: International Speech Communication Association, 2019, s. 1148-1152. ISSN 1990-9772. Dostupné z: https://www.isca-speech.org/archive/Interspeech_2019/pdfs/3036.pdf
Název česky
O využití fonetické informace pro na textu nezávislou extrakci embeddingů popisujících řečníka
Typ
článek ve sborníku konference
Jazyk
angličtina
Autoři
Wang Shuai (UPGM FIT VUT)
Rohdin Johan A., Dr. (UPGM FIT VUT)
Burget Lukáš, doc. Ing., Ph.D. (UPGM FIT VUT)
Plchot Oldřich, Ing., Ph.D. (UPGM FIT VUT)
Qian Yanmin (SJTU)
Yu Kai (SJTU)
Černocký Jan, prof. Dr. Ing. (UPGM FIT VUT)
URL
Abstrakt

Embeddingy extrahované hlubokými neuronovými sítěmi se staly nejmodernější reprezentací promluvy v systémech rozpoznávání mluvčího. Nedávno se ukázalo, že začlenění fonetické informace na úrovni rámce do vkládacího extraktoru může zlepšit výkon rozpoznávání mluvčího. Na druhou stranu, v konečném embeddingu jsou fonetické informace jen dalším zdrojem variability relace, který může být škodlivý pro úlohu rozpoznávání mluvčích nezávislou na textu. To naznačuje, že na úrovni vkládání by měly být fonetické informace spíše potlačovány než podporovány. Abychom ověřili tuto hypotézu, provedeme několik experimentů, které podporují nebo potlačují fonetické informace v různých fázích sítě. Naše experimenty potvrzují, že multitaskingové učení je přínosné, pokud je aplikováno ve fázi rámce sítě, zatímco kontradiktorní školení je výhodné, pokud je používáno ve fázi segmentu sítě. Kombinace těchto dvou přístupů dále zlepšuje výkon, což vede ke stejné chybovosti 3,17% v datové sadě VoxCeleb.

Rok
2019
Strany
1148-1152
Časopis
Proceedings of Interspeech - on-line, roč. 2019, č. 9, ISSN 1990-9772
Sborník
Proceedings of Interspeech
Konference
Interspeech Conference, Graz, AT
Vydavatel
International Speech Communication Association
Místo
Graz, AT
DOI
10.21437/Interspeech.2019-3036
UT WoS
000831796401061
EID Scopus
2-s2.0-85074688607
BibTeX 
@INPROCEEDINGS{FITPUB12087,
   author = "Shuai Wang and A. Johan Rohdin and Luk\'{a}\v{s} Burget and Old\v{r}ich Plchot and Yanmin Qian and Kai Yu and Jan \v{C}ernock\'{y}",
   title = "On the Usage of Phonetic Information for Text-independent Speaker Embedding Extraction",
   pages = "1148--1152",
   booktitle = "Proceedings of Interspeech",
   journal = "Proceedings of Interspeech - on-line",
   volume = 2019,
   number = 9,
   year = 2019,
   location = "Graz, AT",
   publisher = "International Speech Communication Association",
   ISSN = "1990-9772",
   doi = "10.21437/Interspeech.2019-3036",
   language = "english",
   url = "https://www.fit.vut.cz/research/publication/12087"
}
Nahoru