人工智能应用-机器听觉：12.说话人向量

展示了一组说话人向量的可视化，每个点代表一个语音片段的向量，不同颜色表示不同的发音人。同一说话人的向量会在空间中聚集，不同说话人的向量则相互分离，说明说话人向量具有良好的区分度。这与人脸识别中的“人脸嵌入”类似，只不过这里的目标是说话人身份，因此也称“说话人嵌入”。

说话人向量在空间中聚类（不同颜色代表不同发音人）

扩展阅读：声纹识别与语音识别的区别

在语音识别中，目标是“说了什么”，往往可以将识别单元（音素或词）视为是个封闭集合。深度网络特别适合这类任务，只要见过足够多的数据，就能学得非常好。

声纹识别则要求识别“是谁说的”，潜在说话人是无限集合，是一个目标“开放性”任务。这就要求模型抽取的是“身份特征”而非仅记住训练集中的具体人。因而常通过学习“说话人向量”来获得对未见说话人的概括能力