多說話人語音環(huán)境下目標(biāo)說話人聲紋驗證方法研究

摘 要：聲紋身份驗證技術(shù)越來越多的應(yīng)用于IoT智能設(shè)備中，針對多說話人語音環(huán)境，應(yīng)用傳統(tǒng)VAD模塊的聲紋驗證系統(tǒng)錯誤拒絕率嚴(yán)重升高，甚至無法工作。本文從語音分離技術(shù)入手，設(shè)計實現(xiàn)了一種只對目標(biāo)說話人觸發(fā)的輕量化SD-VAD模型。首先，通過在基線模型中引入CNN和BiLSTM結(jié)構(gòu)，使神經(jīng)網(wǎng)絡(luò)獲得更強大的特征提取能力和上下文依賴性。其次，重新定義類內(nèi)加權(quán)損失，對不同的分類混淆錯誤施加不同的懲罰，使模型重點關(guān)注目標(biāo)說話人相關(guān)的分類，最大程度保留目標(biāo)語音的完整性。最后，本文將SD-VAD應(yīng)用于聲紋驗證模型的前端。實驗結(jié)果表明，本文改進的結(jié)構(gòu)相較于基線模型，mAP提升了1.5%，目標(biāo)說話人類的AP提升了1.9%。相較于傳統(tǒng)VAD模塊，使基于ECAPA-TDNN的聲紋驗證系統(tǒng)錯誤拒絕率（FRR）降低了13.95%，較大提升了聲紋驗證系統(tǒng)的魯棒性和使用靈活性。

關(guān)鍵詞：物聯(lián)網(wǎng)；聲紋驗證；語音分離；多說話人環(huán)境；語音活動檢測（VAD）；ECAPA-TDNN

中圖分類號：TP391.4；TN912-34 文獻標(biāo)識碼：A 文章編號：2095-1302（2024）02-000-05

0 引 言

聲紋識別作為一種生物識別技術(shù)，相比于其他身份認證方法，具有無需直接接觸、安全性高、使用靈活等優(yōu)勢[1]，在國內(nèi)正逐漸被應(yīng)用于公安、金融、智能家居等領(lǐng)域。

在聲紋識別系統(tǒng)架構(gòu)中，聲紋匹配方法經(jīng)過數(shù)十年的發(fā)展，從經(jīng)典的GMM-UBM[2]，到i-vector+PLDA[3]，再到深度學(xué)習(xí)下的d-vector[4]、x-vector[5]等體系結(jié)構(gòu)及其變體，都使聲紋特征的表達能力得到顯著提高。目前，在信噪比較高的單說話人背景下，聲紋識別系統(tǒng)性能優(yōu)越。但在多說話人語音環(huán)境下，聲紋識別系統(tǒng)很難找到不同說話人語音的切換點，無法分辨哪些語音幀是使用者希望它采集的。導(dǎo)致在一些聲紋身份驗證的應(yīng)用場景中，其他說話人語音也會和目標(biāo)說話人語音摻雜在一起進行深度特征提取和匹配，使系統(tǒng)錯誤地拒絕合法的目標(biāo)說話人。此類情況對用戶體驗造成極大的影響，增加了聲紋識別技術(shù)應(yīng)用的限制性。

針對此類問題，現(xiàn)有的解決方案是引入語音分離技術(shù)。語音分離又稱說話人日志（Speaker Diarization， SD），其主要任務(wù)是在多說話人混合語音中，分離出每個說話人的語音并進行聚類。傳統(tǒng)的語音分離可以是基于頻域的最優(yōu)掩膜比[6]或時域的非負矩陣分解[7]來實現(xiàn)每個說話人的分離。隨著深度學(xué)習(xí)在語音領(lǐng)域的發(fā)展，一些學(xué)者將深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network， DNN）和長短時記憶網(wǎng)絡(luò)（Long Short Term Memory， LSTM）應(yīng)用于語音分離中[8-9]，取得了不錯的效果。但是，這些語音分離方法實用性較差，在說話人數(shù)量未知的情況下存在一定的局限性。在我們的聲紋驗證場景中，并不需要區(qū)分不同的非目標(biāo)說話人語音，僅僅希望將它們同噪聲、靜音歸于一類并過濾掉。

近年來，針對目標(biāo)說話人語音的提取技術(shù)陸續(xù)被提出，例如SBF-MTSAL[10]、VoiceFilter[11]、DENet[12]。也有多位學(xué)者將它們作為語音分離前端，應(yīng)用于說話人驗證框架中，例如文獻[13-14]。這類方法通常以提取目標(biāo)說話人參考語音的深度特征為條件，在混合語音中通過匹配來選擇目標(biāo)說話人語音。雖然性能表現(xiàn)不錯，但體量龐大，參數(shù)量高，并且大部分方法是基于片段或全序列計算，延遲較長。一些學(xué)者嘗試將語音分離與語音活動檢測（Voice Activity Detection， VAD）結(jié)合起來，例如文獻[15-16]，通過訓(xùn)練一種端到端的分類模型，將混合語音的逐幀深度嵌入與聲學(xué)特征直接拼接作為網(wǎng)絡(luò)輸入，使模型直接學(xué)習(xí)到在混合語音的融合特征中抽取目標(biāo)說話人語音幀的能力。

為了能在多說話人語音環(huán)境下實現(xiàn)實時準(zhǔn)確的聲紋驗證，本文基于文獻[15]對用于目標(biāo)說話人提取的網(wǎng)絡(luò)結(jié)構(gòu)進行進一步改進，提升其分類性能，之后根據(jù)系統(tǒng)的需要，做更具體的設(shè)置，最后將其應(yīng)用于聲紋驗證模型前端。本文聲紋驗證模型使用ECAPA-TDNN[17]。

1 系統(tǒng)方案設(shè)計

本聲紋驗證系統(tǒng)在使用流程上分為注冊階段和驗證階段，在完成聲紋識別模型預(yù)訓(xùn)練后，進行目標(biāo)說話人聲紋注冊。系統(tǒng)對錄入的說話人語音進行預(yù)加重、分幀加窗等預(yù)處理操作后，進行聲學(xué)特征提取并輸入預(yù)訓(xùn)練聲紋識別模型中，聲紋識別模型輸出說話人的聲紋嵌入碼（Embedding）。同時，在后端使用目標(biāo)說話人語音段訓(xùn)練引入語音分離功能的VAD模型，在本文中稱之為SD-VAD（Speaker Diarization-Voice Activity Detection， SD-VAD）。

在說話人驗證階段，系統(tǒng)激活后從連續(xù)的多人聲場景中對每幀音頻信號做預(yù)處理，之后輸入訓(xùn)練完成的SD-VAD模塊，其可以過濾掉非語音段和明顯的非目標(biāo)說話人語音段，僅將識別為目標(biāo)說話人語音的幀進行拼接，然后輸入到聲紋識別模型中，得到其聲紋嵌入碼，并與注冊階段得到的目標(biāo)說話人嵌入碼進行相似度打分判決，最后輸出接受或拒絕動作。系統(tǒng)總體架構(gòu)如圖1所示。

2 SD-VAD設(shè)計

本文使用的SD-VAD模型的結(jié)構(gòu)如圖2所示。模型的核心部分由兩層卷積核為3的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）、兩層隱層單元數(shù)為64的雙向長短時記憶網(wǎng)絡(luò)（Bi-directional Long Short-Term Memory， BiLSTM）以及作為分類器的兩層全連接層（FC）組成。比基線結(jié)構(gòu)[15]多使用兩層CNN，是為了使網(wǎng)絡(luò)擁有更強大的特征提取能力，從多說話人混合語音的Fbank-d-vector融合特征中實現(xiàn)更好的幀級分類。因為層數(shù)較少，且CNN具有權(quán)值共享機制，所以參數(shù)量并不會提升太多，依然保證其能夠兼顧VAD功能的輕量化和低延遲性。

本文將原始結(jié)構(gòu)中的LSTM換為BiLSTM，相當(dāng)于在每層原始LSTM后多加入了一層反向的LSTM，這樣的結(jié)構(gòu)設(shè)計使模型不僅獲得了之前的上下文信息，也參考了未來的上下文信息，使得網(wǎng)絡(luò)在處理輸入幀序列時有了更強的表達能力。在BiLSTM中，我們設(shè)置正向和反向的LSTM使用相同的權(quán)重矩陣，嚴(yán)格控制模型的參數(shù)數(shù)量。

2.1 Fbank-d-vector融合特征

僅使用輕量化的網(wǎng)絡(luò)結(jié)構(gòu)對抽象的Fbank特征做幀級的說話人分類是不現(xiàn)實的，需要一個幀級音頻的深度表征向量來幫助SD-VAD關(guān)注到語音中不同的聲紋信息，故使用Fbank-d-vector融合特征向量作為SD-VAD網(wǎng)絡(luò)的輸入。

在混合語音聲學(xué)特征的選擇上，基線結(jié)構(gòu)[15]中使用的是40維的MFCC，本文使用80維的Fbank，原因是在基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)中，F(xiàn)bank會保留原始語音信號中的更多非線性成分，表現(xiàn)更佳。并且本文的后端聲紋驗證網(wǎng)絡(luò)也使用同樣參數(shù)的Fbank特征訓(xùn)練，在SD-VAD處理后可以直接將分類為目標(biāo)說話人的幀特征拼接輸入聲紋驗證模型中。

在完成語音信號預(yù)加重、分幀加窗等預(yù)處理操作后，對得到的成序列的語音幀進行快速傅里葉變換，然后逐幀通過梅爾濾波器組并計算對數(shù)能量，即得到Fbank特征。

因為SD-VAD模型需要對音頻流中每個幀做分類決策，所以x-vector體系的音頻段級嵌入并不適用，本文選擇使用DNN提取語音的幀級深度表征向量d-vector，其結(jié)構(gòu)示意圖如圖3所示。

全連接DNN網(wǎng)絡(luò)使用最后一層隱藏層輸出的d-vector作為幀級音頻嵌入碼。訓(xùn)練過程中其后兩層DNN中使用了Dropout，使隨機的50%神經(jīng)元失活，以此來增強網(wǎng)絡(luò)模型對不同樣本特征的認知能力，從而避免過擬合的產(chǎn)生，提高了提取深度特征的泛化性。

此結(jié)構(gòu)的應(yīng)用類似于知識蒸餾中的學(xué)生網(wǎng)絡(luò)，它在更大規(guī)模的數(shù)據(jù)集上單獨預(yù)訓(xùn)練，在SD-VAD中只負責(zé)提取512維

的幀級嵌入碼并與相同幀的Fbank特征直接拼接后輸入CNN中。如此，輸入SD-VAD的Fbank-d-vector融合特征為592維度的向量集合，使網(wǎng)絡(luò)在長時間上下文中不僅可以關(guān)注到聲學(xué)特征的時序變化，還可以關(guān)注到深度聲紋特征的異同，直接實現(xiàn)語音幀分類的目的。

2.2 類內(nèi)加權(quán)損失

將每幀信號特征輸入網(wǎng)絡(luò)，以三分類問題進行網(wǎng)絡(luò)訓(xùn)練，SD-VAD模型為每幀信號生成幀級類概率：

（1）

式中：Zt=[Ztts， Ztnts， Ztns]，三類分別是目標(biāo)語音（target speech， ts），非目標(biāo)語音（non-target speech， nts），非語音（non-

speech， ns）。

設(shè)輸出的預(yù)測值為Zt，則第m類的非正則化概率表示為Zt（m），幀級標(biāo)簽為y，那么使用的交叉熵損失函數(shù)表示

如下：

（2）

式中：y， m∈{ns， ts， nts}。在SD-VAD系統(tǒng)中，我們的目標(biāo)是盡可能只保留目標(biāo)說話人的語音活動，被識別為ns和nts的音頻幀都會被裁剪丟棄，所以[ns， nts]之間的混淆錯誤對系統(tǒng)的性能影響小于[ts， ns]和[ts， nts]這兩種混淆。此外，因為SD-VAD模塊下游還有魯棒性較強的說話人驗證模型，考慮到系統(tǒng)實現(xiàn)目標(biāo)說話人語音識別的拓展可能，最大程度保留目標(biāo)語音，所以對一些因信噪比較低等因素導(dǎo)致的難以分辨的音頻幀來說，錯誤接受ns或nts要比錯誤拒絕ts代價小。基于上述需求，我們對交叉熵損失做個性化改進，給定Zt（m）和y，則類間加權(quán)損失函數(shù)定義為：

（3）

式中：W[m， y]是m類和標(biāo)簽y之間的權(quán)重，其值與損失值成正相關(guān)，可以理解為將y錯誤的識別為m類時，施加的額外懲罰。在基線系統(tǒng)中，W[m， y]與W[y， m]不做區(qū)分，定義的是兩類互相混淆的代價權(quán)重，本文根據(jù)系統(tǒng)實際需要做進一步區(qū)分。設(shè)置W[ns， ts]=W[nts， ts]=1；W[ts， ns]=W[ts， nts]=0.7；W[ns， nts]=

W[nts， ns]=0.5，如此網(wǎng)絡(luò)經(jīng)過訓(xùn)練更新，對[ns， nts]兩類之間的混淆容忍度最高，對將其他兩類識別為目標(biāo)說話人語音幀的錯誤容忍度適中，對將目標(biāo)說話人識別為其他兩類，導(dǎo)致注冊用戶語音信息被裁剪掉的錯誤容忍度最低。

3 聲紋驗證模型

本文使用的聲紋驗證模型為ECAPA-TDNN，其基于時延神經(jīng)網(wǎng)絡(luò)引入了多項改進，來獲取更強大的深度特征向量提取能力。首先，池化層使用依賴于通道和上下文的注意力機制，使網(wǎng)絡(luò)關(guān)注每個特征圖在不同時間步長上的特征屬性，擴展池化層的時間上下文信息。其次，提出了SE-Res2Block模塊，構(gòu)建分層殘差連接來處理多尺度特征，從而減少了模型參數(shù)的數(shù)量。最后，使用多層特征聚合將所有SE-Res2Block的輸出特征映射相連，在池化之前合并信息，獲取了更細粒度的語音特征以增強系統(tǒng)的魯棒性。

在聲紋識別領(lǐng)域中，ECAPA-TDNN網(wǎng)絡(luò)是當(dāng)前基于x-vector段級識別模型中最先進的架構(gòu)[18]。本文將SD-VAD應(yīng)用于其前端，代替?zhèn)鹘y(tǒng)的VAD模塊，來測試帶有語音分離的語音活動檢測能給聲紋驗證系統(tǒng)帶來怎樣的提升。

4 實驗

4.1 數(shù)據(jù)集與參數(shù)設(shè)置

SD-VAD模型訓(xùn)練和測試需要使用的數(shù)據(jù)集中大多數(shù)音頻都應(yīng)該包含目標(biāo)說話人片段以及隨機的其他說話人片段和非語音片段，本文基于此需求，使用VoxCeleb1[19]和MUSAN[20]噪聲數(shù)據(jù)集進行數(shù)據(jù)集制作。

VoxCeleb1的訓(xùn)練集有1 211位說話人，在其中確定一個目標(biāo)說話人A，將A的語音切分成2～3 s不等的小段，將它們與隨機的0～3名其他說話人的語音小段拼接起來模擬單說話人或多說話人環(huán)境，此時訓(xùn)練語音中就有了ts、nts兩類語音幀，在得到的混合語音中插入MUSAN隨機噪聲段或空白段作為非語音類。圖4所示為基于目標(biāo)說話人語音制作訓(xùn)練集語音的示意圖。

生成了共計18 617條混合語音用于訓(xùn)練，300條混合語音用于測試，如圖5所示，其中大部分語音時長在8～14 s。

實驗使用Ubuntu18.04操作系統(tǒng)，基于pytorch1.9.0在NVIDIA GeForce RTX 3080 Ti上進行訓(xùn)練。在幀長為25 ms，步長10 ms的語音幀上提取80維Fbank特征輸入網(wǎng)絡(luò)。訓(xùn)練中使用Adam優(yōu)化器，學(xué)習(xí)率設(shè)置為10-4。聲紋驗證模型ECAPA-TDNN按原文[17]方式搭建和訓(xùn)練，訓(xùn)練集使用VoxCeleb2[21]，與SD-VAD訓(xùn)練集不重合。

4.2 實驗一

在使用數(shù)據(jù)增強和不使用數(shù)據(jù)增強的策略下，分別訓(xùn)練基線[15]的結(jié)構(gòu)和本文SD-VAD結(jié)構(gòu)，損失函數(shù)使用本文設(shè)置的類間加權(quán)損失，得到三個分類的AP和模型mAP，結(jié)果見表1所列。

由上表整體來看，本文SD-VAD模型在無噪環(huán)境下目標(biāo)說話人類的準(zhǔn)確率達到93.5%，三類平均精確度達到92%，基本滿足設(shè)計要求。此外，無論是否使用數(shù)據(jù)增強，SD-VAD的檢測結(jié)果都優(yōu)于基線模型。而且加噪訓(xùn)練較不加噪訓(xùn)練，基線模型mAP下降了7.2%，SD-VAD的mAP下降了3.6%，低于基線結(jié)構(gòu)。證明加入了CNN和雙向LSTM的結(jié)構(gòu)對于長時間序列數(shù)據(jù)的檢測精度更高，且受噪聲影響較小，具有更好的魯棒性。

4.3 實驗二

注意到表1中在所有情境下ts類的AP值都稍高于ns類和nts類，推斷其可能是類間加權(quán)損失函數(shù)的作用，為排除樣本不均衡的可能，我們對使用交叉熵損失的模型和類間加權(quán)損失的模型做對比。為了更關(guān)注目標(biāo)說話人語音的識別精度，在每輪測試時，我們將網(wǎng)絡(luò)視為二分類模型，ts為正類，ns、nts為負類，計算ts類的誤報率（False Positive Rate， FPR）和漏報率（False Negative Rate， FNR），其中，誤報率就是負類判定為正類的數(shù)量除以負類總數(shù)，漏報率就是正類判定為負類的數(shù)量除以正類總數(shù)，結(jié)果如圖6所示。

由圖中可以看出，按本文設(shè)置的參數(shù)使用了類間加權(quán)損失的模型相比使用普通的交叉熵損失，目標(biāo)說話人類的誤報率有小幅度升高，漏報率有大幅下降，說明類間加權(quán)損失在訓(xùn)練中起到了根據(jù)實際需要重點降低ts類漏報的作用，以增加其他語音摻雜進目標(biāo)說話人語音特征為代價，減少丟失目標(biāo)語音信息，對下游的聲紋識別或語音識別系統(tǒng)更為友好。

4.4 實驗三

本小節(jié)實驗將SD-VAD應(yīng)用于ECAPA-TDNN聲紋驗證模型的前端，替換傳統(tǒng)的VAD模塊，以驗證在多說話人場景下，SD-VAD為系統(tǒng)帶來的性能改善。

使用上述說話人A的單人語音注冊ECAPA-TDNN，測試使用的實驗數(shù)據(jù)分為兩部分。一部分是多說話人場景數(shù)據(jù)，使用SD-VAD模型測試集作為正樣本，2～3位其他說話人語音使用同樣策略拼接作為負樣本。另一部分是單說話人場景數(shù)據(jù)，VoxCeleb1中A的單人語音作為正樣本，其他說話人單人語音作為負樣本。生成兩個部分?jǐn)?shù)據(jù)集正負樣本各300個。

聲紋驗證是二分類問題，使用錯誤拒絕率（False Rejection Rate， FRR）和錯誤接受率（False Acceptance Rate， FAR）作為評價指標(biāo)。

在不進行額外數(shù)據(jù)增強的情況下進行如下評估。

實驗一：測試音頻無VAD處理直接輸入聲紋驗證模型；

實驗二：測試音頻經(jīng)基于GMM的傳統(tǒng)VAD[22]算法處理后輸入聲紋驗證模型；

實驗三：測試音頻經(jīng)本文預(yù)訓(xùn)練的SD-VAD模型處理后輸入聲紋驗證模型。

實驗結(jié)果見表2所列。

由上表可以看出，在單說話人語音測試中，VAD模塊的加入對聲紋驗證性能沒有太大提升，因為VoxCeleb1數(shù)據(jù)集中的語音基本沒有靜音段，傳統(tǒng)VAD和SD-VAD的工作是過濾掉少量的噪聲幀，性能差異不大。但在多說話人語音測試中，應(yīng)用SD-VAD的聲紋驗證系統(tǒng)錯誤拒絕率（FRR）顯著低于應(yīng)用傳統(tǒng)VAD和無VAD的系統(tǒng)，錯誤接受率（FAR）也較傳統(tǒng)VAD有所降低。無VAD的系統(tǒng)在復(fù)雜的多說話人場景下基本沒有匹配成功（接受）的語音，故其錯誤接受率沒有比較價值。

5 結(jié) 語

本文實現(xiàn)并改進了一個具有單一目標(biāo)說話人語音分離能力的語音活動檢測模型。在基線網(wǎng)絡(luò)上通過引入CNN和BiLSTM結(jié)構(gòu)，使網(wǎng)絡(luò)關(guān)注到了更深更廣的全局特征，提高了SD-VAD模型檢測精度。此外，將SD-VAD應(yīng)用于聲紋驗證模型前端，通過實驗驗證，其顯著提升了整個聲紋驗證系統(tǒng)的性能。本系統(tǒng)假設(shè)每個語音幀中只存在一名說話人，對重疊語音檢測效果不好，在未來的工作中，將重點關(guān)注更多的時頻域語音分離方法，繼而做進一步研究。

參考文獻

[1] AGHAJAN H，AUGUSTO J C，DELGADO R L C. Human-centric interfaces for ambient intelligence [M]. Academic Press. 2009.

[2] REYNOLDS D A，QUATIERI T F，DUNN R B. Speaker verification using adapted Gaussian mixture models [J]. Digital signal processing，2000，10（1/2/3）：19-41.

[3] MATEJKA P，GLEMBEK O，CASTALDO F，et al. Full-covariance UBM and heavy-tailed PLDA in i-vector speaker verification [C]// Proc of IEEE International Conference on Acoustics，Speech and Signal Processing. Piscataway，NJ：IEEE Press，2011：4828-4831.

[4] VARIANI E，XIN L，MCDERMOTT E，et al. Deep neural networks for small footprint text-dependent speaker verification [C]// IEEE International Conference on Acoustics，Speech and Signal Processing，ICASSP 2014，F(xiàn)lorence，Italy，May 4-9，2014：4052-4056.

[5] SNYDER D，GARCIA-ROMERO D，POVEY D，et al. Deep neural network embeddings for text-independent speaker verification.[C]// Interspeech，2017：999-1003.

[6]趙鶴鳴，葛良，陳雪勤，等.基于聲音定位和聽覺掩蔽效應(yīng)的語音分離研究[J].電子學(xué)報，2005，44（1）：158-160.

[7] YOSHII K，TOMIOKA R，MOCHIHASHI D，et al. Beyond nmf：time-domain audio source separation without phase reconstruction [C]// Proceedings of the 14th International Society for Music Information Retrieval Conference （ISMIR）. Curitiba，2013：369-374.

[8] XU Y，DU J，DAI L R，et al.An experimental study on speech enhancement based on deep neural networks [J]. IEEE signal processing letters，2014，21（1）：65-68.

[9] WENINGER F，EYBEN F，SCHULLER B. Single-channe speech separation with memory-enhanced recurren neural networks [C]// IEEE International conference on acoustics，speech and signal processing（ICASSP）. IEEE，2014：3709-3713.

[10] XU C，RAO W，CHNG E S，et al. Optimization of speaker extraction neural network with magnitude and temporal spectrum approximation loss [C]// IEEE International conference on acoustics，speech and signal processing （ICASSP）. Brighton，2019：6990-6994.

[11] WANG Q，MUCKENHIRN H，WILSON K，et al. VoiceFilter：Targeted voice separation by speaker conditioned spectrogram masking [C]// 20th annual conference of the international speech communication association. Graz，2019：2728-2732.

[12] WANG J，CHEN J，SU D，et al. Deep extractor network for target speaker recovery from single channel speech mixtures [C]// 19th annual conference of the international speech" communication association（Interspeech）. Hyderabad，2018：307-311.

[13] RAO W，XU C，CHNG E S，et al. Target speaker extraction for multi-talker speaker verification [C]// Proceedings of the annual conference of the international speech communication association（Interspeech）. Graz，2019：1273-1277.

[14] HAN J，SHI Y，LONG Y，et al. Exploring single channel speech separation for short-time text dependent speaker verification [J]. International journal of speech technology，2022，25（1）：261-268.

[15] DING S，WANG Q，CHANG S，et al. Personal VAD：Speaker-conditioned voice activity detection [Z]. arXiv preprint arXiv：1908.04284（2019）.

[16] MEDENNIKOV I，KORENEVSKY M，PRISYACH T，et al. Target-speaker voice activity detection：a novel approach for multi-speaker diarization in a dinner party scenario [Z]. arXiv preprint arXiv：2005.07272 （2020）.

[17] DESPLANQUES B，THIENPONDT J，DEMUYNCK K. Ecapa-tdnn：Emphasized channel attention，propagation and aggregation in tdnn based speaker verification [Z]. arXiv preprint arXiv：2005.07143（2020）.

[18] TONG F，ZHAO M，ZHOU J，et al. ASV-Subtools：Open source toolkit for automatic speaker verification [C]// In ICASSP 2021-2021 IEEE international conference on acoustics，speech and signal processing（ICASSP），2021：6184-6188.

[19] NAGRANI A，CHUNG J S，ZISSERMAN A. Voxceleb：a large-scale speaker identificationdataset [Z]. arXiv preprint arXiv：1706.08612（2017）.

[20] SNYDER D，CHEN G，POVEY D. Musan：A music，speech，and noise corpus [Z]. arXiv preprint arXiv：1510.08484（2015）.

[21] CHUNG J S，NAGRANI A，ZISSERMAN A. Voxceleb2：Deep speaker recognition [Z]. ar Xivpreprint ar Xiv：1806.05622，（2018）.

[22] Google WebRTC[EB/OL]. https：//webrtc.org/. Accessed，2016-3-20.