说话人识别中的数据需求

概述

• 机器学习领域名言“Garbage In, Garbage Out!”不论神经网络多么先进，如果输入是垃圾，那么输出也一定是垃圾
• 在说话人识别领域，所需的最小数据单元，包括：
  • 一段只包含单一说话人语音的音频，被称为Utterance（话语）
  • 该段音频的说话人标签，能够唯一地在整个数据集中标识该说话人
• 怎么样的数据不是Garbage呢？或者说，如何评价一个数据集的质量呢？有以下这些指标：
  • 说话人的数量
  • 每个说话人的话语个数
  • 文本的多样性
  • 口音和语调的多样性
  • 录音设备和声学环境的多样性
  • 数据的正确性

说话人的数量、每个说话人的话语个数

• 几乎可以肯定：运行时要识别的说话人，不会出现在数据集中。因此说话人的数量，对系统的泛化性能非常重要
• 用于学术研究的数据集通常包含数千个说话人，例如：VoxCeleb，而实际落地的系统至少需要数万个说话人
• 在训练和测试时，需要正样本和负样本
  • 说话人的数量决定了负样本的数量，说话人的数量越多越好
  • 每个说话人的话语个数决定了正样本的数量，通常每个人有10~100个话语即可

文本多样性

• 文本多样性指：
  • 发音多样性
  • 词汇多样性
  • 话题多样性
• 对于文本相关的说话人识别，文本多样性是不重要的
• 而对于文本无关的说话人识别，如果运行时的文本，是数据集中未出现过的，那么系统性能会很差。比如：古诗文本的数据集，不能用于经济新闻的说话人识别

口音和语调的多样性

• 使用普通话数据集训练的系统，在遇到粤语、闽南语、四川话等语言时，识别效果会差
• 使用新闻播音数据集训练的系统，在遇到电竞、体育直播这种语速快、情绪波动大，行业黑话多的场景时，识别效果会差

录音设备和声学环境的多样性

• 不同的录音设备录制的音频，频谱分布和音频质量会有比较大的差别，数据集应尽可能覆盖不同的录音设备，包括：
  • 手机麦克风
  • 电脑麦克风
  • 录音棚麦克风
• 不同的声学环境，会形成不同的噪声和混响，数据集应尽可能覆盖不同的声学环境，包括：
  • 街头
  • 商店、餐厅
  • 车内、家中
  • 歌剧院

数据的正确性

• 数据的正确性包括：
  • 音频的正确性
    • 音频文件是否破损
    • 音频内容是语音还是纯噪声
    • 音频是否只包含单一说话人
  • 说话人标签的正确性
    • 标签是否发生反转，即属于说话人A的话语被标注成了说话人B的话语
• 数据的正确性是难以达到100%的，越是大的数据集就越是会出现数据错误，著名的ImageNet ILSVRC 2012就存在至少十万个数据错误
• 音频错误可视为一种离群点噪声，标签错误可视为一种标签反转噪声，不同的损失函数对不同的噪声鲁棒性不一样，下图是Deep Face Recognition: A Survey中，对数据错误的讨论：
  
• 总而言之，数据错误越少越好，保证数据正确性很要必要，在错误的数据上做数据增强，只会创造更多Garbage

数据采集

• 不同于ImageNet、人脸等数据集，说话人识别的数据集是无法人工标注的，因为人类难以根据人的语音，辨认人的身份
• 要采集说话人识别的数据集，有两种途径：
  1. 在录音阶段就进行标注
  2. 利用视频数据里的人脸识别信息，对视频里的说话人进行标注