Aprendizado de Representação Desembaraçada para Reconhecimento de Falante Averso ao Ambiente

Este trabalho apresenta uma estrutura baseada no desembaraçamento de características para aprender representações de falantes que são robustas a variações ambientais. Nossa estrutura utiliza um autoencodificador como desembaraçador, dividindo a representação do falante de entrada em componentes relacionados ao falante e outras informações residuais. Empregamos um grupo de funções objetivas para garantir que a representação do código do autoencodificador - usada como a representação refinada - condense apenas as características do falante. Mostramos a versatilidade de nossa estrutura por meio de sua compatibilidade com qualquer extrator de representações de falante existente, não exigindo modificações ou adaptações estruturais para integração. Validamos a eficácia de nossa estrutura ao incorporá-la em dois extratores de representação populares e realizar experimentos em vários benchmarks. Os resultados mostram uma melhoria de desempenho de até 16%. Liberamos nosso código para este trabalho estar disponível https://github.com/kaistmm/voxceleb-disentangler