自监督语音情感识别中的说话人归一化

大规模语音情感识别数据集难以获取，而小规模数据集则可能包含各类偏差。基于深度网络的分类器往往容易利用这些偏差，寻找诸如说话人特征之类的捷径，而这些捷径通常会损害模型的泛化能力。为应对这一挑战，我们提出一种基于梯度的对抗学习框架，该框架在学习语音情感识别任务的同时，对特征表示中的说话人特征进行归一化处理。我们在独立于说话人和依赖于说话人的两种设置下验证了该方法的有效性，并在具有挑战性的IEMOCAP数据集上取得了新的最先进性能。