说话人确认（Speaker Verification）是一种以语言特性确认说话人身份的技术。

近日，西弗吉尼亚大学的博士生Amirsina Torfi在Github上发布了用3D卷积神经网络（后简称3D-CNN）确认说话人身份的代码，并公布了研究论文。

Paper链接：

https://arxiv.org/abs/1705.09422

Code链接：

https://github.com/astorfi/3D-convolutional-speaker-recognition

概览

我们先利用3D卷积结构创造出说话人模型（Speaker model）,它可以从说话人的表达中同时捕捉相关语音和时态信息。

说话人确认协议（SVP）

3D-CNN架构已经被利用在文本无关（Text-Independent）语句确认说话人的三个阶段：

1.在开发阶段，经过训练的CNN可以在表达层面将说话人分类。

2.在注册阶段，训练过的网络可以基于提取特征构建每个说话人的模型。

3.评估阶段中，从表达文本中提取的特征将会与存储的说话人模型做对比，最后验证说话人身份。

我们通常将上述提及的三个阶段视为SVP（Speaker Verification Protocol），构建说话人模型是目前的技术难点。之前的方法大多基于说话人的表达平均提取特征，也就是我们熟知的d-vector系统。

如何利用3D卷积神经网络

在本篇论文中，我们建议用3D-CNN直接创建开发和注册阶段的说话人模型，这两个阶段输入的是相同语句。这样网络就能够同时捕捉相关说话人信息，建立更强大的系统处理语音变化。这种方法明显优于d-vector验证系统。

代码实现

这个模型是在TensorFlow上实现的，输入管道（Input pipeline）需要由用户提供。其余部分的实现需要考虑包含了表达提取特征的数据集，它一般存储在HDF5的文件夹中。但这点也不是必须的，通过下面的代码，任何适应TensorFlow的文件格式都能实现。

△ 输入管道

MFCC（Mel频率倒谱系数）特征可以作为框架级语音表达的数据表示，但最后生成MFCC的DCT 1运算会导致这些特征成为非局部特征。这一操作扰乱了局部性，也与卷积操作中的局部特征形成了鲜明的对比。

在这里我们就用到了对数能量，我们也称它为MFEC。MFEC中提取的特征与丢弃DCT运算得到的特征相似，它们的时间特征是重叠的20ms窗口，跨度为10ms，这是为了生成频谱特征。

在一个0.8秒的声音样本中，可以从输入语音特征图中获得80个时间特征集合（每个都组成40个MFEC特征）。每张输入特征图的维度是ζ×80×40，它们由80个输入帧和相似的图谱特征组成，ζ代表在开发和注册阶段用到的语句数量。

3D卷积运算的实现

下面这段代码已经可以实现三维卷积运算，这些高级的slim API使我们实现起来非常简单。

我们可以看到这里用到了slim.conv2d代码块，[k_x, k_y, k_z] 和stride=[a, b, c]这样的3D内核可以将它转化为3D-conv操作。 tf.contrib.layers.conv2d是slim.conv2d的基础。

灵感来源

代码结构部分的灵感来源自Slim和Slim的图像分类库。

相关Code:

https://github.com/tensorflow/models/tree/master/slim

【完】