Speaker recognition refers to audio biometrics that utilizes acoustic characteristics for automatic speaker recognition. These systems have emerged as an essential means of verifying identity in various scenarios, such as smart homes, general business interactions, e-commerce applications, and forensics. However, the mismatch between training and real-world data causes a shift of speaker embedding space and severely degrades the recognition performance. Various complicated neural architectures are presented to address speaker recognition in the wild but neglect the requirements of storage and computation. To address this issue, we propose a neural architecture search-based efficient time-delay neural network (EfficientTDNN) to improve inference efficiency while maintaining recognition accuracy. The proposed EfficientTDNN contains three phases. First, supernet design is to construct a dynamic neural architecture that consists of sequential cells and enables network pruning. Second, progressive training is to optimize randomly sampled subnets that inherit the weights of the supernet. Third, three search methods, including manual grid search, random search, and model predictive evolutionary search, are introduced to find a trade-off between accuracy and efficiency. Results of experiments on the VoxCeleb dataset show EfficientTDNN provides a huge search space including approximately $10^{13}$ subnets and achieves 1.66% EER and 0.156 DCF$_{0.01}$ with 565M MACs. Comprehensive investigation suggests that the trained supernet generalizes cells unseen during training and obtains an acceptable balance between accuracy and efficiency.
翻译:使用声学特征进行声学语音语音识别的音频发言人识别,这些系统已成为在智能之家、一般商业互动、电子商务应用和法证等各种情景中核实身份的基本手段,但培训与现实世界数据之间的不匹配导致语音嵌入空间变换,严重降低识别性性。介绍了各种复杂的神经结构,目的是在野外表达语音识别,但却忽视了存储和计算的要求。为解决这一问题,我们提议了一个基于神经结构搜索的高效时间跨时神经网络(EfficientTDNNN),以提高推断效率,同时保持识别准确性。拟议的高效TDNNN 包含三个阶段。首先,超级网络设计是要建立一个动态神经结构,由顺序细胞组成,并使得网络运行功能化。第二,渐进式培训是为了优化随机抽样的子网络,以继承超级网络的权重。第三,引入了三种搜索方法,包括手动电网搜索$、随机搜索和模型化预测进化系统搜索,以便在精度和精准度之间找到交易效率。在Vox-CREM1和GAL ENM1 中, 5SA A SAAL SAAL 之间, SALA SALA SALA SA SAAL SA SA SA SA SA SA SA SAAL SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA SA