Тема: Применение глубоких нейронных сетей к задаче текстонезависимой идентификации диктора по голосу

Задача идентификации диктора по голосу, носящая в англоязычной ли­тературе название «speaker identification task», позволяет определить по записи голоса его принадлежность определённому диктору. Другими сло­вами, она отвечает на вопрос «Кто это говорит?». Умение отвечать на по­добный вопрос открывает дорогу к решению множества прикладных за­дач из различных областей человеческой деятельности. Среди таких задач можно выделить следующие.
1. Поиск определённого диктора в потоке голосовых данных.
Эта задача может возникнуть, например, в сфере поддержки, когда необходимо среди записей телефонных разговоров call-центра найти записи всех диалогов с недавно звонившим клиентом с целью анализа и улучшения качества работы центра. С применением средств иденти­фикации диктора по голосу такое возможно даже если клиент звонил с телефонов с разными номерами. Аналогичная задача возникает и в сфере безопасности, где поиск записей телефонных разговоров потен­циально опасных личностей может производиться среди всевозмож­ных записей определённой телефонной станции.
2. Биометрическая аутентификация по голосу
Путём сравнения текущего диктора со списком заранее заданных ав­томатическая система может принимать решение о разрешении или запрете авторизации. Такой способ аутентификации может быть ис­пользован как замена или дополнение к паролю при разблокировке смартфона или при попытке доступа к банковскому приложению. Бла­годаря средствам верификации диктора по голосу никогда не слы­шавший прежде своего собеседника пользователь сможет в автома­тическом режиме удостовериться, что собеседник не выдаёт себя за другую личность, а автоматическая система, распознающая и испол­няющая голосовые команды, сможет удостовериться, что выполняет команды авторизованного пользователя.
В современном мире потоки информации достигли объёмов, не под­властных ручному анализу. Именно поэтому внимание исследователей скон­центрировано в основном на автоматических подходах к решению задач. Исключением не является и данная работа.
Подходы, основанные на классических методах машинного обучения и статистики, долгое время оставались и остаются главенствующими при ре­шении задачи автоматической идентификации диктора по голосу. В то же время, активно развивающиеся в последнее десятилетие подходы, основан­ные на глубоких нейронных сетях, достигли непревзойдённых успехов во многих задачах классификации, распознавания образов, идентификации по лицу. Преимущества подобных подходов очевидны: они просты в разра­ботке и использовании, требуют минимального количества вносимой извне априорной информации и зачастую превосходят традиционные методы по качеству.
В данной работе рассматривается возможность применения глубоких нейронных сетей к задаче автоматической идентификации диктора по голо­су в текстозависимых и текстонезависимых условиях, исследуются преиму­щества и недостатки подобного подхода и проводится сравнение с класси­ческим методом, показывающим лучшие результаты на рассматриваемых базах.
Купить

В рамках исследования были выполнены все поставленные задачи и под­тверждены выдвинутые гипотезы. Система распознавания диктора по го­лосу действительно может быть построена на основе глубоких свёрточных нейронных сетей и использовать спектрограммы в качестве входных низко­уровневых признаков. Не смотря на то, что такая модель проявляет себя ху­же базовой, их композиция позволяет улучшить результат базовой модели на 19% и 4% относительно в текстозависимой и текстонезависимой задачах соответственно. Также было замечено, что увеличение объёма обучающей выборки улучшает результат в текстозависимой задаче. Предполагается, что, имея базу с достаточно высокой дикторской и внутридикторской ва­риативностями, возможно построить систему на основе глубоких свёрточ­ных нейронных сетей, которая превзойдёт базовую систему по качеству. Проверка этого предположения может стать темой дальнейших исследова­ний. По результатам работы была написана и предложена к публикации на международной конференции SPECOM 2017 научная статья [39].
Купить