第七期 | ICASSP 2025 论文预讲会（武汉大学）

ICASSP 2025 论文预讲会由CCF语音对话与听觉专委会、语音之家主办，旨在为学者们提供更多的交流机会，更方便、快捷地了解领域前沿。活动将邀请 ICASSP 2025 录用论文的作者进行报告交流。

ICASSP 2025 论文预讲会邀请到武汉大学在3月13日和3月14日分别做两期专场分享，本文介绍第二场相关内容，欢迎大家预约观看。

第七期：武汉大学（二）【专场】

时间：3月14日（周五）19:00 ~ 20:30

形式：线上

议程：每位嘉宾分享30分钟（含5分钟QA）

嘉宾&主题

嘉宾简介：郑员明，武汉大学计算机学院硕士研究生一年级，导师为杨玉红副教授，主要研究方向是空间音频。

分享主题：HAPG-SAQAM: Human Auditory Perception Guided Spatial Audio Quality Assessment Metric

摘要：主观听音测试被视为空间音频质量评估的“金标准”，但其高成本和耗时性限制了实际应用，而现有客观评估模型在模拟人类听觉特性方面仍存在不足。为此，本研究提出了一种基于人类听觉感知引导的空间音频质量评估模型HAPG-SAQAM。该模型通过多尺度听觉特征提取模块（MAGFE）模拟人耳对声音的频率响应特性，并利用感知加权损失函数（PWL）动态优化音色质量与空间质量的评估权重。此外，模型结合听觉失真增强的数据增广策略，进一步提升了对复杂声学场景的适应能力。实验结果表明，HAPG-SAQAM与主观评分的相关性平均提升10%，消融研究验证各模块对空间质量和整体质量评估的有效性，为客观音频质量评估提供了新的解决方案。

嘉宾简介：林宇珂，武汉大学计算机学院硕士研究生三年级，导师为李明教授 (兼职)，主要研究方向是声纹识别，说话人日志。

分享主题：Codec-ASV: Exploring Neural Audio Codec For Speaker Representation Learning

摘要：近年来，离散语音表示（Neural Audio Codec, NAC）在多个语音任务中取得了显著成功，而NAC作为一种高效压缩音频信号的方法，在语音生成任务中能够有效还原说话人音色。我们认为NAC在压缩过程中仍然能够较好地保留说话人信息，因此可以直接用于说话人识别任务。为此，我们提出了一种基于NAC的说话人表征学习框架，使用ECAPA-TDNN作为模型骨干，并结合了掩码层增强（mask-layer augmentation）和嵌入融合（embedding fusion）等技术，以提高表示学习的鲁棒性。实验结果表明，该方法在NAC基础上的说话人验证场景中取得了2.08%的EER，达到了当前最先进的性能，特别是在受限的带宽下仍能有效保留大部分说话人信息。

嘉宾简介：覃晓逸，武汉大学计算机学院博士毕业，导师为李明教授 (兼职)，现为理想汽车语音算法工程师。主要研究方向是说话人识别、语音理解大模型。

分享主题：Investigating Long-Term and Short-Term Time-Varying Speaker Verification

摘要：说话人验证系统的性能可能会受到时间漂移的不利影响。然而由于缺乏合适的数据集，针对时变说话人验证的研究相对有限。本文旨在探讨长期和短期时变对说话人验证的影响，并提出缓解这些影响的解决方案。对于长期说话人验证（即跨年龄说话人验证），本文引入了一种年龄解耦对抗学习方法，通过从VoxCeleb数据集中挖掘年龄信息来学习年龄不变的说话人表征。对于短期说话人验证，文章发布了SMIIP-TV数据集，该数据集包含来自373名说话者在连续90天内每天多个时间段的录音以及其他相关原始信息。利用该数据集，本文分析了说话人表征的时变特性，并提出了一种新颖且实际的时变说话人验证任务，称为增量序列对说话人验证。该任务涉及注册音频与一系列测试音频之间的持续交互，旨在随着时间的推移提高说话人验证系统性能。文章引入了模板更新方法来应对时间带来的负面影响，并将模板更新过程建模为马尔可夫决策过程，提出了一种基于深度强化学习（DRL）的模板更新方法。本文通过发掘时变数据，为说话人验证提供了见解和解决方案。

论文链接：https://ieeexplore.ieee.org/document/10599875

代码链接：https://github.com/qinxiaoyi/TimeVarying_ASV