17.5 其他语音任务

还有各种各样的其他语音相关任务。

说话人分离（speaker diarization）的任务是确定一段长的多说话人音频中“谁在什么时候说话”，标记交互中每个说话人轮次的开始和结束。这对于转写会议、课堂语音或医疗互动很有用。说话人分离系统通常使用语音活动检测（voice activity detection，VAD）寻找连续语音片段，提取说话人嵌入向量，再对这些向量进行聚类，把可能来自同一说话人的片段归在一起。较新的研究正在探索端到端算法，直接把输入语音映射为每帧说话人标签序列。

说话人识别的任务是识别说话人。通常区分两个子任务：说话人验证，即做二元决策（这是说话人 X 吗？），例如通过电话访问个人信息时用于安全验证；说话人识别，即在 N 个说话人中做一个选择，试图将说话人的声音与包含许多说话人的数据库匹配。

在语言识别任务中，给定一个波形文件，需要识别其中使用的是哪种语言；这对构建多语种模型、创建数据集很重要，在在线系统中也发挥作用。

唤醒词检测的任务是检测一个词或短语，通常用于唤醒 Alexa、Siri 或 Google Assistant 等支持语音的助手。唤醒词检测的目标是把检测器部署在边缘计算的小型设备中，通过向云服务器传输尽可能少的用户语音来维护隐私。因此，唤醒词检测器需要是快速、占用空间小的软件，能够放入嵌入式设备。唤醒词检测器通常使用我们在 ASR 中看到的相同前端特征提取过程，后面往往接一个整词分类器。