在严重退化音频信号中使用1D三元组卷积神经网络融合MFCC和LPC特征进行说话人识别

说话人识别算法受输入语音信号质量的负面影响。在这项工作中，我们通过明智地结合两种常用特征：梅尔频率倒谱系数（MFCC）和线性预测编码（LPC），解决严重退化的音频数据中的说话人识别问题。我们的假设基于以下观察：MFCC和LPC捕捉了语音的两个不同方面，即语音感知和语音生成。我们使用精心设计的1D三元组卷积神经网络（1D-Triplet-CNN）以新的方式结合这两种特征，从而提高在具有挑战性的场景中说话人识别的性能。对多个数据集、不同类型的音频退化、多语种语音、不同长度的音频样本等的广泛评估表明，所提方法在现有说话人识别方法（包括基于iVector和xVector的方法）中的有效性。