基于ECAPA-TDNN網(wǎng)絡(luò)改進(jìn)的說話人確認(rèn)方法

張家良 張強(qiáng)

關(guān)鍵詞：說話人確認(rèn)；語音特征；ECAPA-TDNN；感受野；多尺度特征

0 引言

說話人確認(rèn)技術(shù)是判斷某段測(cè)試語音是否來自所給定的說話人，是“一對(duì)一”的判別問題。該技術(shù)已經(jīng)應(yīng)用于許多實(shí)際的領(lǐng)域，如智能家居、金融安全、刑偵破案等。近10年來，說話人確認(rèn)技術(shù)得益于深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN） 強(qiáng)大的學(xué)習(xí)能力得到了快速發(fā)展。

鑒于DNN強(qiáng)大的特征提取能力，在說話人確認(rèn)領(lǐng)域已經(jīng)廣泛應(yīng)用。2014年，Variani[1]等人基于DNN的基礎(chǔ)上，提出了一種具有幀級(jí)別說話人聲學(xué)特征的模型，將訓(xùn)練好的DNN從最后一個(gè)隱藏層提取的說話人特定特征的平均值作為說話人的模型，稱為d-vector。相對(duì)于i-vector[2]，d-vector在小規(guī)模文本相關(guān)的說話人確認(rèn)任務(wù)上有著更好的性能。由于d-vector只能提取幀級(jí)別的特征，Snyder[3]等人提出了x-vector，其主要利用多層時(shí)延神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（Time-delay Neural Net?work，TDNN）和統(tǒng)計(jì)池化層，將幀級(jí)別的輸入特征轉(zhuǎn)化為句子級(jí)別的特征表達(dá)。此外，楊宇奇[4]還在TDNN 的基礎(chǔ)上建立多分支聚合TDNN網(wǎng)絡(luò)的方式來提取說話人的嵌入特征。

近年來，研究者開始將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到說話人確認(rèn)領(lǐng)域。Nagrani[5]基于循環(huán)神經(jīng)網(wǎng)絡(luò)提出了VG?GVox模型。在殘差網(wǎng)絡(luò)（Residual Networks，ResNet） [6]的基礎(chǔ)上，Chung[7] 等人提出ResNetSE34L，ResNe?tSE34V2模型，采用不同尺度的卷積核提升多尺度特征的表達(dá)能力。此外，Desplanques 等人[8]還在基于TDNN 的x-vector 架構(gòu)上，提出了ECAPA-TDNN 模型，采用引入SE-Net[9]模塊、通道注意機(jī)制和多層特征融合等增強(qiáng)方法，進(jìn)一步擴(kuò)展時(shí)間上下文，該模型已成為說話人確認(rèn)領(lǐng)域最優(yōu)秀的框架之一。

盡管當(dāng)前大部分說話人確認(rèn)網(wǎng)絡(luò)都采用了更深、更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)來提升特征提取能力，但這也導(dǎo)致模型的參數(shù)和推理時(shí)間倍增。鑒于此，本文提出一種改進(jìn)的ECAPA-TDNN模型，采用VoxCeleb1公開數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，結(jié)果表明，相對(duì)于原模型，在說話人特征提取能力方面實(shí)現(xiàn)了明顯提升。

1 相關(guān)工作

1.1 ECAPA-TDNN 模型

ECAPA-TDNN是一種基于音頻信號(hào)的說話人識(shí)別模型。模型如圖1所示，該模型參數(shù)包括T、C、K、d 和S，分別代表輸入的音框數(shù)目、卷積通道數(shù)目、卷積核大小、空洞卷積擴(kuò)張率和說話人數(shù)目。在本系統(tǒng)中，T為300個(gè)frame的固定值，C為512，S為訓(xùn)練數(shù)據(jù)集的說話人數(shù)目。輸入特征為80維的說話人特征向量乘T，輸入后經(jīng)過Conv1D+Relu+BN層處理，緊接著是三層1D 的擠壓激勵(lì)的Res2Block（SE-Res2Block），這些層采用不同的空洞擴(kuò)張率，分別為2、3、4。接下來一層是Cov1D+Relu，將不同擴(kuò)張率的SE-Res2Block 輸出進(jìn)行結(jié)合，形成多層特征融合（MFA）。再經(jīng)過At?tentive Statistical Pooling（ASP）層，進(jìn)行加權(quán)平均值和加權(quán)標(biāo)準(zhǔn)差聚合后進(jìn)行池化，最后通過全連接層，生成192維的說話人特征向量。最后一層采用AAMSoftmax算法進(jìn)行分類，將192維度的說話人嵌入向量進(jìn)行分類，輸出數(shù)據(jù)集訓(xùn)練的說話人數(shù)目。

1.2 提高模型嵌入向量維度

在ECAPA-TDNN模型中，通過將嵌入向量的維度從原本192維調(diào)整至512維度，可以更準(zhǔn)確地捕捉和識(shí)別不同說話者之間的語音差別，從而提升模型的準(zhǔn)確性。具體來說，說話人的特征在低維度下可能會(huì)變得模糊或失真，而高維度的嵌入可以更好地保留這些特征。此外，在進(jìn)行分類任務(wù)時(shí)，使用高維度的嵌入還可以提高模型對(duì)于訓(xùn)練數(shù)據(jù)特征的擬合能力，從而得到更好的分類效果。

1.3 改進(jìn)的SE-Res2Block

ECAPA-TDNN 模型中最重要的部分就是SERes2Block，如圖2（a） 所示，將SE-Block 添加到Res2Block模塊的末端。SE代表著壓縮（Squeeze）和激勵(lì)（Excitation），其用于增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的表達(dá)能力，學(xué)習(xí)特征通道之間的關(guān)系，并根據(jù)特征通道的重要性對(duì)它們重新加權(quán)。在Res2Block模塊中，說話人特征信息在經(jīng)過第一個(gè)1×1卷積后，將輸入劃分為S個(gè)子集（ECAPA-TDNN模型中S為8），定義為xi，i ∈ {1，2，...，S }，每份子特征的尺度大小都相同，除了最后一個(gè)子特征之外，其余的子特征都經(jīng)過一個(gè)3×3卷積，并且該卷積有空洞率參數(shù)d，定義為Convi，d （ ），其輸出為yi.子特征xi 都和Convi - 1，d （ ） 進(jìn)行相加，然后輸入Convi，d （ ），因此yi 的公式如下：

除了最后一份子特征外，Res2Block模塊在卷積操作之前可以接收其左邊的特征信息，這使得每個(gè)輸出都能夠獲得更大的感受野，從而實(shí)現(xiàn)不同數(shù)量和不同感受野大小的特征組合。

相對(duì)于原模型中潛在地獲取左邊子特征的輸出信息，為獲取更多不同大小感受野的大小組合，本文提出一種（All Connect，AC）的模型，如圖2中（b）所示。每個(gè)子特征會(huì)與左邊所有的子特征卷積結(jié)果進(jìn)行融合后再進(jìn)行卷積操作，最后一份子特征遵循原論文，不做任何操作，保留原信息。改進(jìn)后的公式如下所示：

與原模型相比，在沒有增加模型參數(shù)的前提下，每個(gè)子特征相比原來的感受野不斷增大，更全面地捕獲了所有左側(cè)特征的特征表示信息和語義信息，從而能夠更加準(zhǔn)確地提取說話人區(qū)別特征，提高模型的性能和準(zhǔn)確率。

1.4 空洞卷積擴(kuò)張率數(shù)組模塊

空洞卷積最初是針對(duì)圖像語義分割問題中下采樣導(dǎo)致圖像分辨率下降、信息丟失的情況提出的一種卷積方法。相比于標(biāo)準(zhǔn)的卷積，空洞卷積引入了一個(gè)超參數(shù)稱為擴(kuò)張率（dilation rate，d），d 表示卷積核內(nèi)部各個(gè)點(diǎn)間的數(shù)量，標(biāo)準(zhǔn)卷積核的擴(kuò)張率為1?？斩淳矸e的優(yōu)點(diǎn)在于不進(jìn)行池化操作的情況下，擴(kuò)大了卷積核的感受野，使得每個(gè)卷積可以接收更廣范圍的信息。以3×3的卷積為例來展示普通卷積和空洞卷積，如圖3所示。

由圖3可知，（a） 為普通的標(biāo)準(zhǔn)卷積，其感受野為3；（b） 圖中將標(biāo)準(zhǔn)卷積的d 設(shè)置為2，其感受野由原來的3擴(kuò)大為5。感受野的計(jì)算如公式（3） 所示，其中原卷積核的大小為k，空洞擴(kuò)張率為d， k'為等效的卷積核感受野的大小。

在ECAPA-TDNN 的3 層SE-Res2Block 中，Res2Net模塊被均等地分為8份，每一份的卷積核為3×3，由上到下每層SE-Res2Block擴(kuò)張率為固定的2、3、4。本文提出一種多個(gè)空洞卷積擴(kuò)張率（Multi-Dilation，MD） 數(shù)組[2，3，4，5，2，3，4，5]來替代固定的擴(kuò)張率。以固定的擴(kuò)張率2來做對(duì)比，Re2Net中8份的感受野分別為[5，5，5，5，5，5，5]，MD的感受野分別為[5，7，9，11，5，7，9，11]。相比單一固定的空洞擴(kuò)張率，MD方法使用多個(gè)不同大小的擴(kuò)張率，每個(gè)分支學(xué)習(xí)可以學(xué)習(xí)到不同大小尺度的特征信息，能夠在多個(gè)尺度上進(jìn)行表達(dá)，從而增加特征的多樣性，提高模型的性能。其次多個(gè)不同大小的擴(kuò)張率可以覆蓋到更廣泛的感受野，使得網(wǎng)絡(luò)能夠更好地捕捉說話人的信息，提高模型的表示能力，從而提高模型的性能。

2 實(shí)驗(yàn)設(shè)置與結(jié)果分析

2.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

本文實(shí)驗(yàn)的操作系統(tǒng)為Ubantu18.04，開發(fā)環(huán)境為Pytorch1.7.0，Cuda版本為11.0，編程語言為Python。實(shí)驗(yàn)采用的CPU為Intel Xeon（R） 8255C，GPU為 NVIDIARTX 3090（24GB顯存）。在訓(xùn)練過程中說話人語音特征提取采用幀長(zhǎng)為30毫秒，步長(zhǎng)為10毫秒，使用漢明窗進(jìn)行加窗操作，使用80維濾波器組特征FBank。采用Adam優(yōu)化器，epoch為100，batchsize為150，初始學(xué)習(xí)率為0.001，采用間隔學(xué)習(xí)率調(diào)整策略（StepLR），step_size為1，gramma為0.97（每輪學(xué)習(xí)率=前一輪學(xué)習(xí)率*0.97）。

2.2 數(shù)據(jù)集

本文實(shí)驗(yàn)數(shù)據(jù)采用牛津大學(xué)的VoxCeleb1公開數(shù)據(jù)集。數(shù)據(jù)集全部是文本無關(guān)的，說話人范圍廣泛，并且性別分布均衡。數(shù)據(jù)的音頻為單聲道，頻率為16 Khz，采樣大小為16 bit，WAV格式。在本次實(shí)驗(yàn)中，將VoxCeleb1數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集（兩個(gè)數(shù)據(jù)集的說話人沒有交集）。其中，訓(xùn)練集（VoxCe?leb1-train） 挑選1 211名說話人的14 864條語音，測(cè)試集（Vox Celeb1-Test） 挑選出40名說話人的4 708條語音，構(gòu)成37 611個(gè)測(cè)試對(duì)，其中18 802對(duì)來自同一說話人，18 809對(duì)來自不同說話人。

2.3 數(shù)據(jù)增強(qiáng)

在深度學(xué)習(xí)訓(xùn)練時(shí)，擁有大量的標(biāo)記數(shù)據(jù)會(huì)使得訓(xùn)練的效果更好，也能確保訓(xùn)練時(shí)，不會(huì)發(fā)生過擬合的問題，因此本文實(shí)驗(yàn)利用數(shù)據(jù)增強(qiáng)的方式來增加訓(xùn)練數(shù)據(jù)的數(shù)目和多樣性。本實(shí)驗(yàn)采用兩種方法進(jìn)行數(shù)據(jù)的增強(qiáng)。第1種是加入MUSAN語料庫的噪聲，MUSAN語料庫包含了演講、音樂和噪聲3個(gè)部分，演講部分的內(nèi)容大部分是政府部門的演講；音樂部分包含了古典樂和現(xiàn)代流行樂；噪聲部分包含了技術(shù)性噪聲（傳真機(jī)噪聲、撥號(hào)音等）和環(huán)境噪聲（風(fēng)聲、雨聲、動(dòng)物噪聲等）。第2種是加入RIR語料庫，即房間脈沖響應(yīng)，其主要用于模擬不同房間環(huán)境下的語音信號(hào)，可以制作出不同房間的聲學(xué)環(huán)境，通過添加噪聲模擬真實(shí)語音環(huán)境中存在的噪聲問題。

2.4 實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)

為了驗(yàn)證模型的有效性，本文采用在說話人確認(rèn)、人臉識(shí)別等領(lǐng)域常用的等錯(cuò)誤率（Equal ErrorRate，EER） 和最小檢測(cè)代價(jià)函數(shù)（Minimum DetectionCost Function， minDCF） 作為系統(tǒng)的評(píng)價(jià)指標(biāo)。minDCF公式為：

為了說明本文方法的有效性，通過消融實(shí)驗(yàn)來驗(yàn)證引入擴(kuò)大說話人嵌入向量的維度，空洞卷積率數(shù)組MD和AC模塊的改進(jìn)性，通過與ECAPA-TDNN模型對(duì)比驗(yàn)證本文算法的優(yōu)越性。各個(gè)模型的實(shí)驗(yàn)結(jié)果如表1所示：

從表1可以看出，在ECAPA-TDNN的基礎(chǔ)上將說話人的嵌入向量由192調(diào)整為512，EER和miniDCF分別提升了0.12%、0.01；由于在ECAPA-TDNN 的基礎(chǔ)上添加MD模塊，EER和miniDCF分別提升了0.22%、0.02；由于在ECAPA-TDNN 的基礎(chǔ)上添加AC 模塊，EER 和miniDCF 分別提升了0.17%、0.02。最后本文實(shí)驗(yàn)添加MD、FC 和512 維度，對(duì)比原模型，EER 和miniDCF分別提升了0.31%、0.02。

3 結(jié)論

針對(duì)說話人確認(rèn)研究中難于提取充分的語音特征問題，本文提出了一種改進(jìn)ECAPA-TDNN的說話人確認(rèn)方法，該方法主要從3個(gè)方面對(duì)網(wǎng)絡(luò)層進(jìn)行改進(jìn)。首先，擴(kuò)大說話人的嵌入向量維度，以增強(qiáng)特征表達(dá)能力。其次，采用一種全連接的SE-Res2Block模塊，最后利用空洞卷積擴(kuò)張率數(shù)組，在網(wǎng)絡(luò)輸出中獲取多種感受野大小的組合，從而更有效地表達(dá)語音特征的多個(gè)尺度信息。實(shí)驗(yàn)證明，本文提出的說話人確認(rèn)方法大大降低了等錯(cuò)誤率，在minDCF上也有顯著提高，后續(xù)會(huì)在語音的輸入特征和模型結(jié)構(gòu)上進(jìn)行深入研究。