摘要

在本文中，我们提出了一种完全监督的说话人日志化方法，称为无界交错状态循环神经网络（U IS-RNN）。该方法从输入语音中提取说话人区分嵌入向量（即d-vector），每个单独的说话人都由一个参数共享的循环神经网络（RNN）建模，而不同说话人的RNN状态在时间域上交错排列。该RNN自然地与距离依赖的中国餐馆过程（ddCRP）结合，以适应未知数量的说话人。我们的系统是完全监督的，可以从带有时间戳的说话人标签标注的例子中学习。我们在NIST SRE 2000 CALLHOME数据集上实现了7.6%的日志化错误率，优于使用谱聚类方法的现有最佳技术。此外，我们的方法可以在线解码，而大多数现有最佳系统则依赖于离线聚类。