快鱼电子声纹识别系统

一、现状

近年来，随着深度学习技术的高速发展，语音方向由传统的信号处理逐步转向了深度神经网络的方法，其中，说话人声纹识别技术也日益进步。

经典的传统声纹识别使用 GMM-Universal Background Mode（GMM-UBM）的方法，通过非目标 数据训练通用模型，引入目标后，使用最大后验概率（MAP）自适应算法将模型进行调 整，生成 i-vector 特征。采用 Probabilistic Linear Discriminant Analysis （PLDA）的方法，对信道进行补偿。

随后，深度神经网络（DNN）的出现，逐渐取代了基于 GMM 的方法。

另一种方法是使用时延神经网络（TDNN）提取的 embeddings 特征，称为 x-vector。其中的 Statistics Pooling Layer，负责将 Frame-level Layer 映射到 Segment-Level Layer

快鱼电子声纹识别系统是快鱼电子自主研发、也集成了使用 GE2E 训练的长短期记忆 人工神经网络（LSTM）作为可选声纹特征提取器之一,提取说话人声纹特征。

可以对说话人进行身份验证的生物识别。可为用户提供离线、在线识别服务。同时支持包括Windows、Android、Ios平台设备的服务。系统的主要技术指标如下表所示：

快鱼声纹识别系统技术指标
注册时间	文本相关：3S
	文本无关：10S
验证时间	文本相关：3S
	文本无关：10S
准确率	理论测试约可达95%准确率
等错误率	理论测试约<=5%准确率
方言支持	支持
多语种支持	支持
处理速度	10000次/秒
支持平台	Windows、IOS、Android

二、迭代版本

1、基于IVECTOR算法的声纹识别算法

该算法基于微软开源工具，在处理长语音（大于5S）的识别种有较好的效果，识别速度偏慢，计算一次IVECTOR特征大约需要500毫秒

2、基于DEEP-SPEAKER声纹识别的算法

该算法由百度提出，是一种基于端到端的声纹识别算法，骨干网络采用类似于resnet的残差结果，后端采用tirplet loss损失函数，该算法可处理段语音（2S）的声纹识别，等错误率大约为8%，识别速度大约为200毫秒。

3、基于BUT的声纹识别算法

该算法由voxcele竞赛冠军队伍提出，错误率大约为4%，识别速度大约为200毫秒

4、基于NFNET的声纹识别算法

该算法在BUT算法的基础上，该算法等错误率大约为4%，识别速度大约为100毫秒

5、基于EFFICIENTNETV2的声纹识别算法

该算法使用EFFICIENTNETV2作为骨干网络并作出一定的优化，该算法的等错误率大概为3%，识别速度大约为40毫秒。

三、声纹识别流程

四、算法演示

快鱼电子声纹识别系统的核心任务是对说话人进行身份确认。具体可分为两类任务。