核心内容摘要
激情开心
现代声纹识别技术多采用深度学习方法首先收集大规模人群的发音数据然后训练出一个深度神经网络来提取与说话人身份相关的显著特征。
与早期基于统计概率模型的方法相比这种神经网络方法具有更好的抗干扰能力与长时建模能力在真实应用中表现优越。
这种优越性主要归因于以下两点大规模样本学习大量不同人的声音数据有助于模型学习到共性与各异的边界从而能更准确地抽取与身份相关的关键特征。
长时序建模说话人与长时间发音单元的特征关系密切深度学习能更好地捕捉这种长时信息从而识别说话人的独特性。
寻音捉影·侠客行开源大模型部署：基于ModelScope FunASR的可复现方案