基于改进ECAPA-TDNN的语种识别方法研究

来源：计算机测量与控制杂志2026年第4期北京时间：

作者：李伟,姚镭,刘成

摘要：传统的语音识别模型难以很好地克服不同语种之间的差异性，并且特征提取不全面造成识别准确率不理想，为了解决这个问题，提出了一种基于改进ECAPA-TDNN的语种识别和分类方法；在ECAPA-TDNN的基础上，设计了以多头自注意力机制为核心的编码器模块，通过并行的注意力头对不同时间步的特征序列进行加权聚合，捕获不同时间步之间的全局依赖关系；设计了以多层残差块为核心的前端卷积模块，卷积层采取多层卷积和残差连接的方式，强化了多层次特征提取的能力，并针对语音信号特性，采取在时间和频率维度分开降采样的方式，生成更丰富的特征；在对输入音频进行预处理得到FBank特征后，进一步使用数据增强手段，再输入至优化后的语种识别模型；经过实验证明，改进后的模型在Common Voice和CSS10数据集上的识别准确率分别达到了92.91 %和90.39 %，相比ECAPA-TDNN提升了5.23 %和4.78 %，同时针对前端卷积模块和注意力编码器模块设计了消融实验，证明了各模块的有效性；上述结果表明，提出的方法在ECAPA-TDNN的基础上增强了对于语音的局部和全局特征的提取，提高了在语种识别任务上的性能。

关键词：语种识别;ECAPA-TDNN;多头自注意力;特征提取;卷积

基金资助：临港实验室攻关任务(LG-GG-202402-05-02)