来源：期刊VIP网 时间：
作者：张开铖;吴林煌;林志坚;
单位：福州大学电子信息工程系;
摘要：说话人日志(Speaker Diarization, SD)任务旨在将同一说话人的音频样本合并，并标注其在音频中的话音活动位置。现有的端到端说话人日志(End-to-End Neural Diarization, EEND)系统在处理多个说话人时受限于置换不变性训练，导致损失计算复杂且训练效果不佳。为解决这些问题，提出一种基于判别性聚类网络的EEND(EEND Based on Discriminative Clustering Network, DC-EEND)系统，主要包括嵌入网络、判别性聚类网络(Discriminative Clustering Network, DCN)及辅助任务学习。嵌入网络负责提取声纹嵌入向量，DCN通过监督学习对这些向量进行聚类估计，而辅助任务学习则引入说话人确认支干网络参与嵌入网络优化。实验在公开的VoxCeleb数据集上进行，结果表明DC-EEND适用于多个说话人场景并具备较好的性能优势，辅助任务学习有效改进基于DCN的EEND性能，所设计的嵌入网络更适用于基于DCN的EEND。
关键词：说话人日志;;端到端;;判别性聚类网络;;辅助任务;;多任务学习
基金资助：国家自然科学基金(62471140)~~
