摘要

本文探讨了将wav2vec2框架应用于说话人识别任务，而非传统的语音识别任务。研究重点包括预训练权重在说话人识别任务中的有效性，以及如何将wav2vec2的输出序列聚合为固定长度的说话人嵌入（speaker embedding）。为适配该框架用于说话人识别，本文提出两种变体：一种是基于交叉熵（CE）或AAM Softmax损失的单语音段分类模型；另一种是基于二元交叉熵（BCE）损失的语音段对分类模型。其中性能最佳的变体——w2v2-aam，在扩展版VoxCeleb1测试集上取得了1.88%的等错误率（EER），相较于ECAPA-TDNN基线模型的1.69% EER，表现略有差距。相关代码已公开，地址为：https://github.com/nikvaessen/w2v2-speaker。