Branch-MFA-TDNN: A Parallel Branch Speaker Verification Model for Voice IoT
Notice bibliographique
Résumé
The security of voice control in the Voice Internet of Things (Voice IoT) heavily relies on the fast and accurate authentication of the command issuer. In this work, we focus on the critical application scenario of Voice IoT in underground coal mines, where voice commands typically last 4–10 seconds. Speech in this scenario typically consists of short, imperative utterances and faces challenges from environmental noise and device heterogeneity. The limitations of traditional speaker verification models in temporal modeling restrict their performance in such scenarios. To address this, this paper proposes a three-dimensional attention module (Branch-MFA) designed for Voice IoT. This module employs a dual-parallel branch architecture: the MFA branch is responsible for extracting attention in the frequency and channel dimensions, and its multi-scale nature enables it to effectively focus on speaker-discriminative frequency bands that remain stable under noise and different collection devices, thereby enhancing the model’s environmental robustness; the GLTA branch, through its innovative grouped variable-length attention mechanism, specifically models the temporal structure of these short voice commands, addressing the challenge of sparse temporal information in short utterances. By integrating the dual-branch outputs through a fusion module, we construct the Branch-MFA-TDNN model. Experiments on the Cn-Celeb dataset show that this model significantly outperforms baseline models in short-utterance verification tasks, particularly for the challenging 4–10 second duration relevant to mine communications, providing an identity authentication solution for Voice IoT that combines high security and real-time performance. We have also released the code<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">1</sup> for future comparison.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».