中文語者(聲紋)識別

投入約150天。通常我們是怎樣開始項目的研究與開發？首先會先盡可能的把3年內的學術論文或比賽等SOTA都查到，然後分工閱讀找到相關的數據集和論文及相關實作；同時會找到目前已有相關產品的公司(含新創)及他們提交的專利，這部份通常再花約30天的時間；通常就是透過 Google patens、paper with codes、arxiv等等。

聲紋識別這塊在對岸查到非常多的新創公司，例如: 國音智能在我們研究開發過程就是一直被當做目標的新創公司。可以先看一下上方的DEMO影片效果；然後介紹相關實驗結果前，避免之後有人還陸續踩到我們踩過的坑；需注意的是上述很多數據集都是放在對岸像是百度雲盤等，百度是直接封鎖台灣的IP，所以你打不開是很正常的；另外像是voxcelab是切成7份，下載完再合起來也要花上不少時間，aishell、CMDS, TIMIT 比起來相對好處理就是。

簡單總結為：1. 幾種 vector 的抽取 (i-vector, d-vector, x-vector) 跟 2. 模型架構 (CNN, ResNet) 和調參，再來就是 3. 評分方式 (LDA, PLDA) 等等幾種組合；我們也使用了 kaldi 其中內附的功能，光是 kaldi 就又投入了不少時間和精力 ! 其實比起自然語言處理做聲紋識別，最小的坑莫過於雖然數據集不是很容易獲取，但是聲音是可以自行用程式加工做切割合併，然後因為場景限制，錄聲紋時的時長頗短，還得處理非註冊聲紋的處理，所以前前後後花了很多時間在將相關的數據搭配評分模式調整，也算是個大工程。

The VoxCeleb Speaker Recognition Challenge 2020 (VoxSRC-20)

聲紋識別原理：https://www.zhihu.com/question/30141460

深度學習在聲紋識別中的應用：https://yutouwd.github.io/posts/600d0d5d/

相關聲紋識別介紹匯整：http://xinguiz.com/category/#/声纹识别

CN-Celeb：中國明星聲紋數據集發布：https://mp.weixin.qq.com/s/f_oFRDuSAuqwbOAby07a5Q

基於Kaldi和Pytorch，廈大語音實驗室推出聲紋識別開源工具ASV-Subtools：https://github.com/Snowdar/asv-subtools

騰訊朱雀實驗室最新研究成果入選全球安全頂會：聲音克隆風險需警惕：https://mp.weixin.qq.com/s/iGhVMy73E-bRJ6oB_4t-yQ

1. 應用場景

• 1:1驗證(驗證：Verification)：已知對象打電話來，你確認他的身份

• 1:n驗證(識別：Identification)：未知對象打電話來，你判斷他的身份

2. Features:

• 聽覺特徵(Auditory feature)：人耳可以鑑別和描述的聲音特徵

• 聲學特徵(Acoustic features)：利用數學方法計算出的描述參數(向量)

• 特徵可以輔助縮小1:n驗證的檢索範圍對象

  • 短時特徵：最常使用

  • 長時特徵：通常是短時特徵的平均(基礎頻率/頻譜特徵)，較不會受到說話語氣或說話者身體情況變化的影響

3. 鑑別方法好壞

• Interclass Varience：從不同聲紋對象提取的不同特徵向量的區分度

• Intraclass Varience：從相同聲紋對象在不同時間提取的特徵向量間的相似度

• Ex:胎記：Interclass大, Intraclass小

• 將聲紋向量與已註冊的聲紋向量計算歐氏距離，大於某值則這是源自不同人，反之則為同一人

4. 特徵擷取方法

• 傳統方法：可用精確數學模型對聲音進行分析，得到的特徵有較好的可解釋性，需要的資料量小。

  • 模板匹配

  • 高斯混合模型(GMM)

  • 聯合因子分析法(JFA)

• 深度神經網路：一種資料驅動方法，需要大量資料進行訓練，若有夠多與夠好的資料即可預期較好的結果。

5. 公開數據集：aishell 1, aishell 2, CMDS, TIMIT, voxcelab 1, voxcelab 2, CN-celab

常見特徵工程

GMM-JFA

• UBM-MAP-GMM為一種確認發話者技術的系統

• 在JFA模型下，可將模型擴展為說話人空間(V)與環境空間(U)

• 為了克服訓練資料不夠的狀況因此引入UBM，但是實際應用中U, V無法完美分離

• Dehak提出從GMM super-vector中提取更好的向量作為改良方法，稱為I-Vector(Identity-Vector)

iVector-based：Dehak, 2009

• 利用GMM高斯混合模型提取i-vector

• 採用Total Variability Space(T)，即包含了說話者間的差異與空間上的差異(代表不用嚴格區分是說話者的影響還是空間的影響)

• PLDA：用來弱化空間影響的方法

• 需要較長的(數十秒到數分鐘)的語音，不適用於Text-Dependent Speaker Verification Task (因為語音很短)

DNN-based

• d-vector：Google, 2014 ； 中文翻譯

  • 從DNN提取最後一層hidden layer作為embedding

  • 訓練好DNN後，把每一幀語音的Filterbank Energy特徵作為DNN輸入，從Last Hidden Layer提取Activations，做完L2正規化後累加起來得到的向量稱為d-vector；若有多條Enroll語音則將所有d-vectors取平均作為此人的Representation

  • 在不改變model size的前提下使用更多的資料進行訓練：因softmax layer被跳過了因此不考慮softmax layer的節點數

• x-vector：Snyder, D, 2018

  • 從TDNN網路中提取embedding進行plda scoring

  • Utterance-Level的特征计算Loss

  • Statistics Pooling Layer: 將Frame-level Layer Map到Segment-Level Layer以便計算frame-level Layer的Mean和standard deviation

  • 在短語音上表現較強：TDNN是時延架構，Output Layer可學到Long-Time feature，所以x-vector可以利用短短的10s左右的語音抓到聲紋訊息

  • 提取x-vector，LDA降维，然后以PLDA作为back-end，便可以做Verification

  • 訓練速度非常快，在訓練資料量大時可有較低的EER

• j-vector：j-vector, 2015；j-vector join Bayesian, 2017

  • 為了解決Text-Dependent Speaker Verification而提出的，此任務同時要驗證身份也要驗證語音內容，屬於multi-task

  • j-vector从Last Hidden Layer提取。相比于Cosine Similarity、Joint PLDA，使用Joint Gaussian Discriminant Function作为back-end时，实验效果最佳

  • 適用文本相關的說話者驗證

End-to-end：希望能直接輸入兩段語音來判斷是否來自同一人。

• Triplet-Loss-based：實際使用:Google FaceNet, Baidu Deep Speaker

  • 概念：直接使用embeddings間的相似度作為Loss Function

  • 建構一個三元組：anchor, positive, negative

  • 用大量標記好的三元組作為DNN輸入以學習參數

    • anchor, positive為同一人的不同聲音

    • anchor, negative為不同人的聲音

    • 目標為最大化ap相似度, 最小化an相似度

  • 相似度：

    • cosine：愈大相似度愈高(Baidu Deep Speaker)

    • 歐幾里德距離:愈小相似度愈高(Google FaceNet)

  • 改進方向：嘗試使用不同神經網路架構

• 為什麼NN比i-vector好？

  • 對NN來說資料愈多愈能避免overfitting； i-vector使用UBM/T(無監督訓練)，當資料愈多就需要一直調整cluster中心

  • NN使用多類別cross-entropy進行分類，因此若遇到失真(distorsions)問題DNN都能學到invariant;資料的失真會對i-vector的斜方差矩陣帶來影響，此時就需要做data cleaning或back-end補償

  • 短語音會對NN有影響，因為訓練時長變少了

  • i-vector的back-end補償NN也可以使用

• E2E和Representation的差別

  • 不同的模型結構: E2E包含speaker embedding(front-end) 和 scoring(back-end)；Representation只有front-end

  • 不同的訓練目標: E2E是直接輸入兩段語音來判斷是否來自同一人；Representation是判斷在訓練集中的說話者。

  • 不同的訓練方法: E2E使用一對對的語音進行訓練，語音選取好壞會很影響訓練結果；Representation是one-hot的訓練方法，較容易。

  • 不同的泛化能力: E2E只能用在聲紋識別任務中；Representation應用較廣。

技術指標

• 錯誤拒絕率(False Rejection Rate, FRR)：同類的兩人被系統判別為不同類。FRR為誤判案例在所有同類匹配案例中的比例

• 錯誤接受率(False Acceptance Rate, FAR)：不同類的兩人被系統判為同類。FAR為接受案例在所有異類匹配案例中的比例

• 等錯誤率(Equal Error Rate, EER)：調整threshold，當FRR=FAR時，FRR和FAR的數值稱為等錯誤率

• 準確率(Accuracy，ACC)：ACC=1-min(FAR+FRR)

速度：

• • Real Time Factor 實時比:衡量提取時間跟音頻時長的關係，ex:1秒可以處理80s的音頻，實時比=1:80

  • 驗證比對速度：平均每秒能進行的聲紋比對次數

  • ROC曲線：描述FAR和FRR間變化的曲線，X軸為FAR,Y軸為FRR。

  • 閥值：當分數超過閥值才做出接受決定。

Multi-Resolution Multi-Head Attention in Deep Speaker Embedding

• https://ieeexplore.ieee.org/document/9053217

• 提出一種pooling方式來計算attentive weight，使得輸入的語音在時間軸上能更好的聚合，進而使end-to-end neural network 在語者識別上獲得更好的效能

• General Pooling

  • Average pooling: 計算多個frame vectors的平均作為整個音檔的d-vector表示

  • Statistics pooling: 計算多個frame vectors的平均和標準差，再拼接在一起作為整個音檔的d-vector表示

  • Attentive pooling: 將frame vector做attention計算，並將得到的結果作為weight，再乘上sequence作為整個音檔的d-vector表示

  • Multi-head attentive pooling: 基於attentive pooling的計算再加上multi-head的設計，產生多組的weight並將各自結果拼接作為輸出

• Proposed Pooling：Multi-resolution multi-head attentive pooling: 基於Global multi-head attentive pooling，並增加一個resolution參數T，對不同head的訓練結果做不同程度的稀釋。此參數介於1~無限大，趨近於1表示高度採信訓練結果，趨近於無限大則代表直接使用average pooling，意即完全不採用訓練出的weight

SincNet：Speaker Recognition from Raw Waveform with SincNet

• https://arxiv.org/abs/1808.00158

• https://github.com/mravanelli/SincNet

• SincNet: 一種可解釋的卷積濾波器結構

• 一種能對原始波形數據進行有效建模的捲積操作

AutoSpeech: Neural Architecture Search for Speaker Recognition

• https://arxiv.org/abs/2005.03215

• https://github.com/TAMU-VITA/AutoSpeech

Robust Speaker Recognition Based on Single-Channel and Multi-Channel Speech Enhancement

• https://ieeexplore.ieee.org/abstract/document/9064910

VAE-based Regularization for Deep Speaker Embedding

• https://arxiv.org/abs/1904.03617

• 学术简讯 | 基于变分自编码器的说话人表征向量的正则化

• PLDA 模型的設計是基於 i-vector 的高斯分佈性質情況下能有最佳表現，但 d-vector 或 x-vector 並沒有這項特性，因此 PLDA 未必能有效發揮；此篇論文提供一個事後 Normalize 的方式，使用 VAE 的向量分布轉換特性將原本已生好的 x-vector (d-vector 同理) 轉換至高斯分佈，並套用新 loss (Cohesive loss) 使向量更向中心點靠攏；根據實驗經此方法 Normalize 的向量在EER上會比原始 x-vector 表現更好

• VAE簡述： Variational Auto Encoder 原始 AutoEncoder (AE) 為將輸入 encode 至隱藏空間中的一個向量點，再經 decoder 做還原，而 VAE 的編碼結果便不再是單一向量，而是一個均值向量與一個標準差向量，簡單可理解為將輸入編碼成隱藏空間中的一個高斯分佈

• 總結： 以理論而言可能會是一個有效的方法 且因這是一個後置的Normalize 對原始模型不會有太大影響 可做為方向之一

Improving End-to-End Single-Channel Multi-Talker Speech Recognition

• https://ieeexplore.ieee.org/abstract/document/9072433

QuartzNet: Deep Automatic Speech Recognition with 1D Time-Channel Separable Convolutions

• https://github.com/NVIDIA/NeMo

• https://github.com/NVIDIA/apex

NVIDIA發布 NVIDIA NeMo，加速語音和語言模型開發

Conversational AI：https://developer.nvidia.com/conversational-ai