实现流程：

Front Processing:
语音输入被转换为64维fbank，并且含有零均值与单位方差。

DNN：有两种DNN：
* ResCNN
* GRU

ResCNN:

GRU:

Average Sentence:

将帧级输入聚合为整段语音的输入

Affine:将其转换成512维的embedding。

计算相似度：

最后用triplet loss为目标进行训练

实验
使用softmax和交叉熵损失来预训练整个模型，即用一个classification layer来代替length normalization和triplet loss层。

可见与训练提高了模型准确率

可见实验结果很好，且ResCNN效果好于GRU。

将两种网络的score相加，可以看到表现得到了提升，其中score fusion表示把两个模型输出的cos score相加。

在文本无关的说话人验证任务上，训练数据集越大，模型的训练越充分，效果越好

deep speaker具有比较好的跨语言能力