PRZEWODNIK AI audio

ECAPA-TDNN: Jak działa model weryfikacji mówcy

ECAPA-TDNN to sieć neuronowa, opublikowana podczas Interspeech 2020 przez naukowców z Uniwersytetu w Gandawie, która przekształca nagranie mowy dowolnej długości w krótką listę 192 liczb opisujących głos mówiącego.

Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~8 min

Na tej stronie9 minut czytania
  1. Przegląd
  2. Kluczowe wnioski
  3. Głębokie nurkowanie
  4. Zweryfikuj dwa nagrania za pomocą wstępnie przeszkolonego ECAPA-TDNN
  5. Implementacja w świecie rzeczywistym
  6. Przyszłość ECAPA-TDNN: Jak działa model weryfikacji głośników
  7. Wdrażanie tego w praktykę
  8. Źródła i dalsza lektura
  9. Odkrywaj dalej
  10. Często zadawane pytania

Przegląd

Porównanie dwóch takich osadzonych głosów pozwala stwierdzić, czy mówi ta sama osoba. Stał się standardową podstawą do weryfikacji głośników, ponieważ pokonuje większe modele w teście porównawczym VoxCeleb z mniejszą liczbą parametrów i jest swobodnie dostępny w otwartych zestawach narzędzi.

Kluczowe wnioski

  1. ECAPA-TDNN konwertuje mowę o dowolnej długości na 192-cyfrowy osadzony głośnik, a dwa nagrania są porównywane pod kątem cosinusowego podobieństwa ich osadzania.
  2. Jego kluczowymi dodatkami do projektu wektora x są SE-Res2Blocks, wielowarstwowa agregacja funkcji i uważne łączenie statystyk zależne od kanału.
  3. W przypadku VoxCeleb1 14,7 miliona parametrów ECAPA-TDNN osiągnęło równy poziom błędów na poziomie 0,87%, pokonując poziom bazowy ResNet34 wynoszący 23,9 miliona parametrów na poziomie 1,19%.
  4. Model został wytrenowany na 5994 głośnikach firmy VoxCeleb2 przy użyciu addytywnego softmax marginesu kątowego z marginesem 0,2 i skalą 30.
  5. Weryfikację głosową można oszukać za pomocą sklonowanej lub odtworzonej mowy, dlatego należy ją połączyć ze środkami zaradczymi polegającymi na fałszowaniu i stosować ją jako jeden z kilku czynników.

Głębokie nurkowanie

Speaker recognition answers a different question from speech recognition. Speech recognition asks what was said; speaker recognition asks who said it. It comes in three main forms. Verification checks a claim: is this voice the enrolled account holder, yes or no? Identification picks one speaker out of a known group. Diarization splits a recording into segments by speaker. All three rely on a speaker embedding, a fixed-length vector of numbers that captures the characteristics of a voice while ignoring the words spoken. ECAPA-TDNN, short for Emphasized Channel Attention, Propagation and Aggregation in Time Delay Neural Network, is a network designed to produce such embeddings, described by Brecht Desplanques, Jenthe Thienpondt and Kris Demuynck of Ghent University in a paper submitted in May 2020 and published at Interspeech 2020.

The pipeline runs in a fixed order. Audio, typically sampled at 16 kHz, is converted into 80 mel-frequency cepstral coefficients (MFCCs, a compact description of the sound spectrum) computed over 25-millisecond windows every 10 milliseconds. The network then applies one-dimensional convolutions along time, which is what a time delay neural network (TDNN) does: each layer looks at a short stretch of neighboring frames, and dilated layers look at frames spaced further apart to widen the context. ECAPA-TDNN replaces plain layers with SE-Res2Blocks. A Res2Net block splits channels into groups that process the signal at several scales, and a squeeze-and-excitation (SE) block computes a summary of the whole recording and uses it to re-weight each channel, emphasizing the ones that carry speaker information. Outputs from all these blocks are concatenated, so shallow and deep features both reach the end of the network.

Next comes pooling, the step that turns a variable-length sequence into one vector. ECAPA-TDNN uses attentive statistics pooling that is channel-dependent and context-dependent: for each channel it learns which frames matter most, for example vowels rather than silence, then computes a weighted mean and weighted standard deviation over time. A final fully connected layer compresses these statistics into the 192-dimensional embedding. During training, the network learns to classify the 5,994 speakers in the development part of the VoxCeleb2 dataset using a loss called additive angular margin softmax (AAM-softmax), which forces embeddings of the same person to cluster tightly and different people to stay apart. At test time the classifier is thrown away. Two recordings are compared by the cosine similarity of their embeddings, the scores are normalized, and a threshold decides accept or reject.

ECAPA-TDNN extended a lineage of speaker models. Older systems used i-vectors, a statistical summary of a recording. In 2018 Snyder and colleagues at Johns Hopkins introduced x-vectors, embeddings from a TDNN trained to tell speakers apart, and showed that augmenting training audio with noise and reverberation let them beat i-vector baselines. VoxCeleb2, released by Oxford researchers in June 2018 with over one million utterances from over 6,000 speakers collected automatically from open-source media, supplied the training data. ECAPA-TDNN added the channel attention, multi-layer aggregation and attentive pooling in 2020. That October, the same Ghent group's fused system took first place in both supervised verification tracks of the VoxCeleb Speaker Recognition Challenge 2020 (VoxSRC-20).

The paper's main comparison is on the VoxCeleb1 test set using equal error rate (EER), the point where the share of impostors wrongly accepted equals the share of genuine speakers wrongly rejected. The larger ECAPA-TDNN, with 1,024 channels and 14.7 million parameters, reached 0.87% EER, against 1.19% for a ResNet34 with 23.9 million parameters and 1.26% for an extended TDNN with 20.4 million. The smaller version, with 6.2 million parameters, reached 1.01%. The authors report an average relative improvement of 18.7% in EER over the best baseline on each test set. Later models have pushed further: NVIDIA's TitaNet, posted in October 2021, reported 0.68% EER on the VoxCeleb1 trials, and self-supervised models such as WavLM, pre-trained on 94,000 hours of speech, are often fine-tuned for speaker tasks. ECAPA-TDNN remains popular because it is small, fast and well documented.

The model has clear limits. Benchmark EERs come from celebrity interview clips; accuracy usually drops when the enrollment and test audio differ in microphone, language, background noise or length, so systems are tuned on in-domain data. Very short clips give the pooling layer little to work with. Close relatives and imitators are harder to separate. The most serious threat is spoofing: voice cloning and replayed recordings can fool a verifier that was never trained to detect them. The ASVspoof 5 challenge, described in August 2024, evaluates countermeasures and spoofing-robust verification against crowdsourced deepfakes and, for the first time, adversarial attacks. In practice, voice verification works best as one factor among several rather than as the only key.

Running ECAPA-TDNN is cheap. With 6 to 15 million parameters it runs on an ordinary CPU, and the SpeechBrain model on Hugging Face can be loaded in a few lines of Python. Training from scratch is more demanding: the paper used six augmented copies of every utterance (babble, noise, reverberation, faster and slower tempo, and audio compression), SpecAugment masking, the Adam optimizer with a cyclical learning rate over four cycles of 130,000 iterations, and mini-batches of 128. Teams that deploy voice biometrics also handle sensitive personal data, so clear consent, secure storage of voiceprints and a fallback for people the system rejects are part of the cost.

04Działający przykład

Zweryfikuj dwa nagrania za pomocą wstępnie przeszkolonego ECAPA-TDNN

  1. Zainstaluj SpeechBrain za pomocą pip i nagraj trzy klipy po około 10 sekund każdy, dwa od tej samej osoby i jeden od innej osoby, zapisane jako monofoniczne pliki WAV 16 kHz.

  2. Załaduj wstępnie wyszkolony model za pomocą SpeakerRecognition.from_hparams(source='speechbrain/spkrec-ecapa-voxceleb').

  3. Wywołaj funkcję Verify_files na dwóch klipach od tej samej osoby i zanotuj zwrócony wynik oraz prognozę.

  4. Wywołaj funkcję Verify_files na jednym klipie każdej osoby i zwróć uwagę, że wynik jest niższy, a prognoza wynosi 0.

  5. Załaduj EncoderClassifier z tego samego źródła i wywołaj encode_batch na jednym przebiegu, aby potwierdzić, że osadzenie ma 192 wartości.

  6. Nagraj ponownie jeden klip z tym samym głośnikiem w hałaśliwym pomieszczeniu lub przez linię telefoniczną i powtórz porównanie, aby zobaczyć, jak spada wynik w przypadku niedopasowania.

Co pokazuje

Uczeń otrzymuje wyniki podobieństwa dla pasujących i niepasujących par oraz 192-wymiarowe osadzenie w każdym klipie. Kontrola polega na tym, że pary tych samych głośników uzyskują wyraźnie lepsze wyniki niż pary różnych głośników oraz że różnica zmniejsza się, gdy warunki nagrywania są różne, co pokazuje, dlaczego wdrożone systemy kalibrują progi na własnym dźwięku.

Implementacja w świecie rzeczywistym

Open-source verification: SpeechBrain's pretrained ECAPA-TDNN model, released under the Apache-2.0 license and trained on VoxCeleb1 and VoxCeleb2, reports a 0.80% equal error rate and compares two audio files with a single verify_files call.

Benchmark competitions: the Ghent IDLab team fused six ECAPA-TDNN variants with four ResNet34 systems and took first place in both supervised verification tracks of the VoxCeleb Speaker Recognition Challenge 2020.

Speaker diarization: meeting transcription pipelines label who spoke when by cutting audio into short windows, extracting a speaker embedding for each, and clustering windows whose embeddings are close together.

Voice login and fraud checks: a verification system enrolls a customer's voice embedding once, then compares each new call against it, ideally paired with a spoofing detector of the kind evaluated in the ASVspoof 5 challenge.

Przyszłość ECAPA-TDNN: Jak działa model weryfikacji głośników

Od 2020 r. badania nad osadzaniem głośników poszły w trzech kierunkach. Pierwszym z nich są lepsze kodery: TitaNet w październiku 2021 r. odnotował 0,68% EER w serwisie VoxCeleb1 ze zwojami separowanymi wgłębnie oraz modele samonadzorowane, takie jak WavLM, przeszkolone na podstawie 94 000 godzin mowy bez etykiet i opublikowane w październiku 2021 r., zapewniają ogólne reprezentacje mowy, które można dostrojony do weryfikacji. ECAPA-TDNN jest nadal szeroko stosowany jako punkt odniesienia, z którym porównuje się takie modele. Drugim kierunkiem jest odporność na zmiany domeny, takie jak różne języki, urządzenia i mikrofony dalekiego zasięgu, w przypadku których wyniki testów pokazują luki pomiędzy wyselekcjonowanym wzorcowym dźwiękiem a połączeniami w świecie rzeczywistym. Trzecim i najpilniejszym jest zabezpieczenie przed mową syntetyczną. W miarę udoskonalania narzędzi do klonowania głosu weryfikacja musi być połączona ze środkami zaradczymi wykrywającymi sfałszowany dźwięk, a w wyzwaniu ASVspoof 5 z 2024 r. po raz pierwszy wprowadzono wskaźniki umożliwiające automatyczną weryfikację mówcy odporną na fałszowanie i przetestowano ataki kontradyktoryjne. Otwarte pytania dotyczą tego, jak zachować dokładność w przypadku różnych grup demograficznych i akcentów, jak chronić przechowywane odciski głosu oraz czy można zaprojektować osadzanie tak, aby ujawniało tożsamość w celu weryfikacji, a jednocześnie nie ujawniało żadnych informacji na temat wieku, stanu zdrowia i emocji.

Wdrażanie tego w praktykę

Dlaczego to ma znaczenie

  • Dostęp i zasięg. Poprawia dostępność poprzez transkrypcję, narrację i interfejsy głosowe.
  • Koszt i budżet. Zespoły medialne mogą szybciej dostarczać dopracowany dźwięk przy mniejszych budżetach.
  • Szybkość i skala. Systemy skierowane do klienta mogą przetwarzać interakcje mówione na większą skalę.

Uważaj na

  • W przypadku braku zgody zwiększa się ryzyko niewłaściwego użycia głosu i podszywania się pod inne osoby.
  • Dokładność może spaść w przypadku akcentów, dialektów lub hałaśliwego otoczenia.
  • Bez wyraźnego oznakowania dźwięk syntetyczny można pomylić z autentyczną mową.

Kolejne kroki

  1. Uzyskaj wyraźną zgodę na przechwytywanie, klonowanie i ponowne wykorzystanie głosu.
  2. Testuj jakość na różnych głośnikach i w różnych warunkach otoczenia.
  3. Zdefiniuj, kiedy człowiek musi przejrzeć lub zatwierdzić wyniki.
  4. Oznacz dźwięk syntetyczny i prowadź dokumentację pochodzenia w celu zapewnienia odpowiedzialności.

Źródła i dalsza lektura

  1. arXiv / Interspeech 2020 (Desplanques, Thienpondt and Demuynck)ECAPA-TDNN: Podkreślona uwaga kanału, propagacja i agregacja w weryfikacji głośników w oparciu o TDNN
  2. ICASSP 2018 (Snyder et al., Johns Hopkins University)X-Vectors: Solidne osadzenie DNN umożliwiające rozpoznawanie głośników
  3. arXiv / Interspeech 2018 (Chung, Nagrani and Zisserman)VoxCeleb2: Głębokie rozpoznawanie mówcy
  4. arXiv (Thienpondt, Desplanques and Demuynck, 2020)Opis systemu konkursu IDLAB VoxCeleb Speaker Recognition Challenge 2020
  5. SpeechBrain on Hugging Facemowybrain/spkrec-ecapa-voxceleb
  6. arXiv (Koluguri, Park and Ginsburg, 2021)TitaNet: Neural Model for speaker representation with 1D Depth-wise separable convolutions and global context
  7. arXiv (Chen et al., 2021)WavLM: Large-Scale Self-Supervised Pre-Training for Full Stack Speech Processing
  8. arXiv (2024)ASVspoof 5: Crowdsourced Speech Data, Deepfakes, and Adversarial Attacks at Scale

Odkrywaj dalej

Darmowy newsletter

Otrzymuj codzienne podsumowanie AI

Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.

Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.

Sprawdź się

Weź udział w quizie ECAPA-TDNN: Jak działa model weryfikacji głośników

Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.

Rozpocznij quiz

Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę

Często zadawane pytania

What is ECAPA-TDNN: How the Speaker Verification Model Works?

ECAPA-TDNN to sieć neuronowa, opublikowana podczas Interspeech 2020 przez naukowców z Uniwersytetu w Gandawie, która przekształca nagranie mowy dowolnej długości w krótką listę 192 liczb opisujących głos mówiącego. Porównanie dwóch takich osadzonych głosów pozwala stwierdzić, czy mówi ta sama osoba. Stał się standardową podstawą do weryfikacji głośników, ponieważ pokonuje większe modele w teście porównawczym VoxCeleb z mniejszą liczbą parametrów i jest swobodnie dostępny w otwartych zestawach narzędzi.

Jaki jest główny wynik modelu ECAPA-TDNN dla danego klipu mowy?

ECAPA-TDNN odwzorowuje wypowiedź o zmiennej długości na pojedynczy wektor osadzający o stałej długości, który reprezentuje charakterystykę głosu mówiącego.

W jaki sposób zwykle porównuje się dwa osadzania ECAPA-TDNN, aby zdecydować, czy należą do tego samego głośnika?

Po wyodrębnieniu osadzania, podobieństwo cosinus (lub powiązana punktacja, np. PLDA) mierzy, jak blisko są dwa ślady głosu.

Do czego służy warstwa „uważnego gromadzenia statystyk”?

Uważne łączenie statystyk przypisuje wyuczone wagi uwagi do ramek i agreguje je w średnią ważoną i odchylenie standardowe, podkreślając ramki informacyjne.

Który zbiór danych jest najczęściej używany do szkolenia i porównywania modeli głośników ECAPA-TDNN?

VoxCeleb, duży zestaw klipów z wywiadów z gwiazdami pobranych z wideo, to standardowy korpus do szkolenia i oceny systemów weryfikacji mówców.

Jaki wpływ na architekturę ma blok „SE” (Squeeze-Excitation)?

Bloki Squeeze-Excitation uczą się skalować każdy kanał funkcji przy użyciu informacji globalnych, umożliwiając sieci wyróżnienie najbardziej przydatnych kanałów.