Detail výsledku

How To Improve Your Speaker Embeddings Extractor in Generic Toolkits

ZEINALI, H.; BURGET, L.; ROHDIN, J.; STAFYLAKIS, T.; ČERNOCKÝ, J. How To Improve Your Speaker Embeddings Extractor in Generic Toolkits. In Proceedings of 2019 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP). Brighton: IEEE Signal Processing Society, 2019. p. 6141-6145. ISBN: 978-1-5386-4658-8.
Typ
článek ve sborníku konference
Jazyk
anglicky
Autoři
Zeinali Hossein, Ph.D., UPGM (FIT)
Burget Lukáš, doc. Ing., Ph.D., UPGM (FIT)
Rohdin Johan Andréas, M.Sc., Ph.D., FIT (FIT), UPGM (FIT)
Stafylakis Themos
Černocký Jan, prof. Dr. Ing., UPGM (FIT)
Abstrakt

Recently, speaker embeddings extracted with deep neural networksbecame the state-of-the-art method for speaker verification. In thispaper we aim to facilitate its implementation on a more generictoolkit than Kaldi, which we anticipate to enable further improvementson the method. We examine several tricks in training, suchas the effects of normalizing input features and pooled statistics, differentmethods for preventing overfitting as well as alternative nonlinearitiesthat can be used instead of Rectifier Linear Units. In addition,we investigate the difference in performance between TDNNand CNN, and between two types of attention mechanism. Experimentalresults on Speaker in the Wild, SRE 2016 and SRE 2018datasets demonstrate the effectiveness of the proposed implementation.

Klíčová slova

Deep neural network, speaker embedding, xvector,Tensorflow, Kaldi.

URL
Rok
2019
Strany
6141–6145
Sborník
Proceedings of 2019 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)
Konference
2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ISBN
978-1-5386-4658-8
Vydavatel
IEEE Signal Processing Society
Místo
Brighton
DOI
10.1109/ICASSP.2019.8683445
UT WoS
000482554006074
EID Scopus
2-s2.0-85068991245
BibTeX 
@inproceedings{BUT158087,
  author="Hossein {Zeinali} and Lukáš {Burget} and Johan Andréas {Rohdin} and Themos {Stafylakis} and Jan {Černocký}",
  title="How To Improve Your Speaker Embeddings Extractor in Generic Toolkits",
  booktitle="Proceedings of 2019 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)",
  year="2019",
  pages="6141--6145",
  publisher="IEEE Signal Processing Society",
  address="Brighton",
  doi="10.1109/ICASSP.2019.8683445",
  isbn="978-1-5386-4658-8",
  url="https://ieeexplore.ieee.org/abstract/document/8683445"
}
Soubory
Projekty
Dolování infoRmAcí z řeči Pořízené vzdÁlenými miKrofony, MV, Bezpečnostní výzkum České republiky 2015-2020, VI20152020025, zahájení: 2015-10-01, ukončení: 2020-09-30, ukončen
IT4Innovations excellence in science, MŠMT, Národní program udržitelnosti II, LQ1602, zahájení: 2016-01-01, ukončení: 2020-12-31, ukončen
Mezinárodní mobilita výzkumníků Vysokého učení technického v Brně, EU, OPVVV PO2 Mezinárodní mobilita výzkumných pracovníků, EF16_027/0008371, CZ.02.2.69/0.0/0.0/16_027/0008371, zahájení: 2018-01-01, ukončení: 2022-09-30, řešení
Neuronové sítě shrnující sekvence pro rozpoznávání mluvčího, EU, Horizon 2020, 5SA15094, zahájení: 2016-07-01, ukončení: 2019-06-30, ukončen
Zpracování, zobrazování a analýza multimediálních a 3D dat, VUT, Vnitřní projekty VUT, FIT-S-17-3984, zahájení: 2017-03-01, ukončení: 2020-02-29, ukončen
Výzkumné skupiny
Výzkumná skupina dolování dat z řeči BUT Speech@FIT (VZ SPEECH)
Pracoviště
Ústav počítačové grafiky a multimédií (UPGM)
Nahoru