論文の概要: Speaker Embeddings to Improve Tracking of Intermittent and Moving Speakers

• arxiv url: http://arxiv.org/abs/2506.19875v1
• Date: Mon, 23 Jun 2025 13:02:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.457645
• Title: Speaker Embeddings to Improve Tracking of Intermittent and Moving Speakers
• Title（参考訳）: 間欠的話者と移動的話者の追跡を改善する話者埋め込み
• Authors: Taous Iatariene, Can Cui, Alexandre Guérin, Romain Serizel,
• Abstract要約: 話者埋め込みを用いた個人識別再割り当て後追跡を提案する。 ビームフォーミングは、話者埋め込みを計算するために、話者の位置に対する信号を強化するために使用される。 不活発な期間に話者の位置が変化するデータセット上で,提案した話者埋め込みに基づくアイデンティティ再割り当て手法の性能を評価する。
• 参考スコア（独自算出の注目度）: 53.12031345322412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speaker tracking methods often rely on spatial observations to assign coherent track identities over time. This raises limits in scenarios with intermittent and moving speakers, i.e., speakers that may change position when they are inactive, thus leading to discontinuous spatial trajectories. This paper proposes to investigate the use of speaker embeddings, in a simple solution to this issue. We propose to perform identity reassignment post-tracking, using speaker embeddings. We leverage trajectory-related information provided by an initial tracking step and multichannel audio signal. Beamforming is used to enhance the signal towards the speakers' positions in order to compute speaker embeddings. These are then used to assign new track identities based on an enrollment pool. We evaluate the performance of the proposed speaker embedding-based identity reassignment method on a dataset where speakers change position during inactivity periods. Results show that it consistently improves the identity assignment performance of neural and standard tracking systems. In particular, we study the impact of beamforming and input duration for embedding extraction.
• Abstract（参考訳）: 話者追跡法は、時間とともにコヒーレントトラックのアイデンティティを割り当てるために、しばしば空間観測に依存する。 これにより、間欠的および移動的な話者、すなわち、不活性であるときに位置を変える可能性のある話者のシナリオの制限が増大し、不連続な空間的軌跡が生じる。 本稿では,本問題に対する簡単な解決法として,話者埋め込みの利用について検討する。 話者埋め込みを用いた個人識別再割り当て後追跡を提案する。 我々は、初期追跡ステップとマルチチャンネル音声信号によって提供される軌道関連情報を活用する。 ビームフォーミングは、話者埋め込みを計算するために、話者の位置に対する信号を強化するために使用される。 これらを使用して、登録プールに基づいて、新しいトラックIDを割り当てる。 不活発な期間に話者の位置が変化するデータセット上で,提案した話者埋め込みに基づくアイデンティティ再割り当て手法の性能を評価する。 その結果,ニューラルトラッカーと標準トラッカーシステムのアイデンティティ割り当て性能は一貫して向上していることがわかった。 特に,埋め込み抽出におけるビームフォーミングと入力持続時間の影響について検討した。

関連論文リスト

• Improving Speaker Diarization using Semantic Information: Joint Pairwise Constraints Propagation [53.01238689626378]
  本稿では,話者ダイアリゼーションシステムにおける意味情報を活用する新しい手法を提案する。 音声言語理解モジュールを導入し、話者関連意味情報を抽出する。 本稿では,これらの制約を話者ダイアリゼーションパイプラインに統合する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-09-19T09:13:30Z)
• Improved Relation Networks for End-to-End Speaker Verification and Identification [0.0]
  話者識別システムは、少数のサンプルが与えられた一連の登録話者の中から話者を識別する。 話者検証と少数ショット話者識別のための改良された関係ネットワークを提案する。 話者検証におけるプロトタイプネットワークの利用に触発されて、トレーニングセットに存在するすべての話者のうち、現在のエピソードのサンプルを分類するようにモデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-31T17:44:04Z)
• Disentangled dimensionality reduction for noise-robust speaker diarisation [30.383712356205084]
  話者埋め込みはダイアリゼーションシステムの性能において重要な役割を果たす。 話者埋め込みは、しばしばノイズや残響などの急激な情報を捉え、性能に悪影響を及ぼす。 本稿では,話者埋め込みから急激な情報を解き放つことのできる新しい次元還元フレームワークを提案する。 また,背景雑音から話者コードが学習されるのを防止するために,音声・非音声指標も提案する。
  論文  参考訳（メタデータ） (2021-10-07T12:19:09Z)
• Joint speaker diarisation and tracking in switching state-space model [51.58295550366401]
  本稿では,統合モデル内で共同でダイアリゼーションを行いながら,話者の動きを明示的に追跡することを提案する。 隠れ状態が現在のアクティブ話者の身元と予測されたすべての話者の位置を表現する状態空間モデルを提案する。 Microsoftリッチミーティングの書き起こしタスクの実験は、提案された共同位置追跡とダイアリゼーションアプローチが、位置情報を使用する他の方法と相容れない性能を発揮することを示している。
  論文  参考訳（メタデータ） (2021-09-23T04:43:58Z)
• End-to-End Diarization for Variable Number of Speakers with Local-Global Networks and Discriminative Speaker Embeddings [66.50782702086575]
  本論文では,単一チャンネルの音声記録から会議ダイアリゼーションを行う,エンドツーエンドのディープネットワークモデルを提案する。 提案システムは,可変数の置換不変なクロスエントロピーに基づく損失関数を用いて,未知数の話者とのミーティングを処理するように設計されている。
  論文  参考訳（メタデータ） (2021-05-05T14:55:29Z)
• Streaming Multi-talker Speech Recognition with Joint Speaker Identification [77.46617674133556]
  SURITは、音声認識と話者識別の両方のバックボーンとして、リカレントニューラルネットワークトランスデューサ(RNN-T)を採用しています。 Librispeechから派生したマルチストーカーデータセットであるLibrispeechデータセットに関するアイデアを検証し、奨励的な結果を提示した。
  論文  参考訳（メタデータ） (2021-04-05T18:37:33Z)
• Data Fusion for Audiovisual Speaker Localization: Extending Dynamic Stream Weights to the Spatial Domain [103.3388198420822]
  複数の話者の位置を推定することは、自動音声認識や話者ダイアリゼーションなどのタスクに役立ちます。 本稿では,個別の動的ストリーム重みを特定領域に割り当てることにより,話者定位のための新しい音声視覚データ融合フレームワークを提案する。 オーディオ・ヴィジュアル・レコードを用いた性能評価は,全てのベースラインモデルより優れた融合手法により,有望な結果をもたらす。
  論文  参考訳（メタデータ） (2021-02-23T09:59:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。