背景

短语音不足以收集到足够的帧来学习音素信息，不同说话人的相同语句的相似度，可能大于同一个人不同语句的相似度。

实现流程

acoustic stem的输入为40维Fbank，phonetic stem的输入为100维ASR bottleneck features。
两个stem由中间的couple stem连接，第一层的couple stem的输入为Fbank与ASR bottleneck features的连接，之后每层的输入为acoustic stem、couple stem、phonetic stem的输出的连接。

PacNet对帧级别的特征进行操作，且三个Stem的channel、stride等保持相等。

网络的每个Stem都专注于学习不同的信息。acoustic的目的是直接从fbank中提取说话人的embedding。phonetic stem，找出ASR bottleneck features的transformation。coupled stem在知道frame的phonetic transformation时，提取更加speaker-related的说话人信息。

为何使用triplet loss:

softmax不存在两段utterance的比较，分类时不需要学习其他sample的acoustic and phonetic information，无法知道phonetic content是否影响了打分。
而triplet loss可以惩罚“不同说话人说同一句话，导致离得很近”的sample。

实验

dataset:
NIST SRE 04-10作为训练集，SRE10 Evaluation作为测试集，并全部剪成10秒。另外，用Fisher cor-
pus训练了ASR bottleneck features。
同时还使用了VoxCeleb进行evaluation。

Baseline：
与i-vector、x-vector进行了比较。其中x-vector为512维，用LDA将其降维到150，用PLDA进行打分。

Triplet Loss Framework：

训练了一个TDNN-based triplet loss network，提取了1000维的embedding，每个epoch都使用semi-hard random negative selection strategy，选择新的triplet training set，且都来自同一种性别。用欧氏距离度量。

PacNet：

用欧氏距离度量

本文的模型在NIST SRE10上取得了较好的结果，但在voxceleb上的结果一般。

end-to-end triplet system与x-vector相比，结果有退步。考虑到voxceleb的复杂性，以及triplet loss难以训练，这并不奇怪。

在voxceleb1上，PacNet虽然取得了最好的结果，但并不像NIST上那么突出。
VoxCeleb数据集是在不受约束的条件下从开源媒体收集的，它提供了一个更接近真实世界问题的数据集。然而，由于收集过程不受控制，说话人information与channel information交织。例如，dataset包括了各种不同的语言，但没有任何语言标签。无法知道模型是真的在试别说话人的声音，还是部分地试图识别其他与channel相关的信息，如录音设备、语言、背景噪音。