陈杰，叶瑶瑶

（上海交通大学微纳电子学系，上海201100）

0 引言

说话人识别（Speaker Recognition）属于生物识别技术的一种，通过从语音信号中提取声纹特征进行身份识别，也称作声纹识别。说话人识别主要分两种模式，说话人辨认（Speaker Identification）和说话人验证（Speaker Verification）。本文的研究方向为说话人验证，即验证所给的语音是否属于所声称的说话人。

近年来，为了实现更优的性能，DNN已经广泛应用于说话人识别领域[1-4]中并取得了良好的效果。通过大规模据训练的深度神经网络在大多数任务上已经超越了传统的i-vector[5]说话人识别系统，特别是在短语音上表现优异。而在诸多基于DNN[6-8]提取说话人向量的研究中，x-vector[3,6]凭借其优秀的区分性和灵活性被应用在许多任务中。

x-vector系统的原理主要通过时延神经网络（Time-Delay Neural Network，TDNN）从语音段的多个语音帧中提取出说话人嵌入向量，其主要包括3个部分：处理帧级特征的神经网络，将帧级特征池化为句级特征和处理句级特征的神经网络。通常大多数的说话人识别系统中会在后端使用概率线性判别分析（Proba-bilistic Linear Discriminant Analysis，PLDA）来对提取的嵌入向量打分。目前的主流技术框架中，为了增强嵌入向量的区分性还会在PLDA打分之前使用线性判别分析（Linear Discriminant Analysis，LDA）方法对向量降维。

近年来，为了提升x-vector系统的性能，有许多工作针对系统中的池化层提出了改进。譬如可学习字典编码的池化层[9]，基于注意力机制的池化方法[10-11]，基于交叉卷积层的池化方法[12]。多数研究人员普遍认为嵌入向量的区分性与池化层对帧级特征的池化能力有很大关联，于是为了改善嵌入向量的性能针对池化层做了许多研究。……