Text-Independent Speaker Verification Employing A Novel Hybrid Neural Embedding Extractor
Notice bibliographique
Résumé
Reliable and discriminative speaker embedding extraction lies at the heart of modern neural automatic speaker verification (ASV) systems. In this study, we introduce a novel hybrid neural architecture that enhances embedding quality by integrating frequency- and channel-aware Selective Kernel Attention (SKA) into a 2D convolutional neural network (2D-CNN) feature extractor. This design strengthens the joint modeling of frequency and channel characteristics, resulting in more discriminative speaker representations. The feature extractor feeds into a composite frame-level network, structured as a cascade of Time-Delay Neural Network (TDNN)–Long Short-Term Memory (LSTM) hybrid and fully TDNN layers. To summarize speaker traits at the utterance level, we employ Multi-Level Attentive Statistics Pooling (MLASP), which captures diverse statistical cues and exploits the complementary strengths of the hybrid architecture. MLASP further improves robustness by recovering subtle, previously underutilized features. The full system is trained using the additive angular margin softmax (AAMSoftmax) loss, which promotes tighter intra-speaker clustering and broader inter-speaker separation in the embedding space. We also explore the influence of different CNN-driven feature learning modules on ASV performance and resilience. Evaluations on the VoxCeleb and CNCeleb benchmarks confirm that our proposed method consistently surpasses both standard baselines and state-of-the-art ASV models trained under the same conditions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».