使用神经网络的说话人识别/定位

摘要

提供了利用联合说话人定位/说话人识别神经网络的计算设备和方法。在一个例子中，计算设备接收用户说出的话音的多通道音频信号。从该信号中提取幅度和相位信息特征，并将其输入到通过多人的话音进行训练的联合说话人定位/说话人识别神经网络中。从神经网络接收包括说话人识别特性和位置特性的用户嵌入，并将其与从多个话音中提取的多个注册嵌入进行比较，其中，每个话音与对应的人的身份相关联。至少基于这种比较，使用户与这些人之一的身份匹配，并输出该人的身份。