
摘要
本文提出了一种名为TitaNet的新型神经网络架构,用于提取说话人表征。该模型采用一维深度可分离卷积(1D depth-wise separable convolutions),并结合具有全局上下文感知能力的Squeeze-and-Excitation(SE)模块,随后引入基于通道注意力的统计池化层,将变长语音片段映射为固定长度的嵌入向量(即t向量)。TitaNet具有良好的可扩展性,在说话人验证任务中取得了当前最优性能:在VoxCeleb1测试集上达到0.68%的等错误率(Equal Error Rate, EER);在说话人分割任务中,于AMI-MixHeadset数据集上实现1.73%的分割错误率(Diarization Error Rate, DER),在AMI-Lapel数据集上为1.99%,在CH109数据集上为1.11%。此外,我们系统研究了不同规模的TitaNet模型,并提出了一种轻量化版本——TitaNet-S,其参数量仅为600万,在说话人分割任务中取得了接近当前最优的性能表现。