声纹识别技术初步了解（阅读笔记）
1. 声纹识别分类
1.1 按任务分类
声纹识别技术按照其所要识别的任务及应用场景主要分成两类：声纹验证（speaker verification）及声纹辨认（speaker identification 或speaker matching）。
1.1.1 声纹验证（speaker verification）
声纹验证流程：
声纹注册（speaker registration）或声纹录入（voice enrollment）
有目标说话人（target speaker）事先提供音频样本，通过特定的算法，从音频样本中提取能够表征该目标说话人声纹特征的说话人模型（模板）；
模板匹配
对于一段新的音频，能够将其与目标说话人模型（模板）进行匹配，得到一个匹配分数，可以将该匹配分数与某个实现设定好的阈值进行比较，并根据最后的比较结果进行二值判别。
1.1.2 声纹辨认（speaker identification 或 speaker matching）
限定在特定的候选说话人（candidate speakers）集合之中，记集合中候选说话人个数为M。将没有冒名顶替者的声纹辨认称为“闭集”声纹辨认，而将可能会有冒名顶替着的声纹辨认称为“开集”声纹辨认。如果是开集辨认，需要额外将最高的分数与某个事先设定好的阈值进行比较，若是最高分数低于该阈值，则辨别为冒名顶替者。
声纹辨认对应的应用场景主要是个性化。对于声纹辨认，通常认为M，任务越难，识别准确率也会越低；声纹验证通常不存在这个问题。
1.2 按文本内容分类
按照识别的内容可以分为三类：文本相关（textdependent）的声纹识别、文本无关（text-independent）的声纹识别，以及文本提示型（text-prompted）的声纹识别。
1.2.1 文本相关
文本相关的声纹识别，通常称为“固定文本”的声纹识别。
问题的简化之处在于两点：
- 录入的音频及待识别的音频包含着完全相同的音节。声纹识别模型的建立，只需要对有限的几个音节进行建模即可。
- 可以假设待识别的音频长度被限制在某个有限的变化范围内，甚至是固定的时间长度。
在实际应用中，文本相关的声纹识别系统主要用于唤醒词或验证口令的声纹识别。
1.2.2 文本无关
无论说话人说的什么内容，都要能够识别出说话人的身份，根据是否限定特定语言，可分为语言相关和语言无关。
难点在于：
- 声纹录入时用户提供的音频与验证时的音频，其所对应的文本不同；
- 训练时难以同时覆盖所有说话人和所有内容；
- 无论是声纹录入还是实际的验证，由于文本内容的不确定性，我们无法预知用户将要提供的音频的具体长度，需要能够处理不同长度的音频，并比较其声纹相似度；
文本无关的声纹识别技术的应用更加广泛。
1.3 系统流程
说话人模型”或者“声纹模型”，通常指的是声纹建模过程的输出，是通过声纹录入阶段得到的。将说话人模型称为声纹嵌入码（embedding）,而将声纹建模过程本身所依赖的模型称为声纹编码器（encoder）。
参考链接：
[1] 声纹技术：从核心算法到工程实践
