Оценка эффективности алгоритмов распознавания дикторов на основе речевых сигналов

В этой статье анализируется эффективность использования различных моделей в процессах распознавания говорящих и выбирается наилучшая для системы. С точки зрения точности и быстродействия системы сравниваются классическая архитектура MFCC + косинусное сходство и современная архитектура x-вектор, ECAPA-TDNN + PLDA. На основе набора данных, сгенерированного от разных дикторов, оцениваются показатели точности, f1-оценки, EER, задержки и загрузки графического процессора моделей. Согласно экспериментальным результатам, модель ECAPA-TDNN превосходит другие модели с точностью 95,7%. Поскольку этап распознавания говорящего также важен для систем разделения говорящих, показатели точности имеют высокую актуальность. Модель ECAPA-TDNN + PLDA предлагает хорошие решения с точки зрения использования вычислительных ресурсов, работы с большими наборами данных и их анализа.