Speaker Identification in Amharic Language Using Spectrogram Images: Exploring Deep Learning Techniques

doi:10.1007/978-3-032-05063-2_8

2026-01-01

PRE

Bantegize Addis *

Abebe, Birhaneselasie

Million Meshesha

DOI：10.1007/978-3-032-05063-2_8

原文链接

原文求助

摘要

En 中文

本文探讨了深度学习技术在资源匮乏的阿姆哈拉语（Amharic）说话人识别中的应用，利用阿姆哈拉语语音情感数据集（ASED）生成的频谱图图像。尽管传统机器学习方法已应用于阿姆哈拉语说话人识别，但深度学习在该任务中尚未得到充分探索。我们实现了并评估了四种模型：一个自定义卷积神经网络（CNN）和三个预训练模型（ResNet50、DenseNet121和InceptionResNetV2），重点关注它们从频谱图图像中识别说话人的能力。该方法包括将音频录音转换为频谱图图像、预处理以及应用数据增强以增强泛化能力并减少过拟合。在有无数据增强的情况下评估了每个模型的性能，为两种方法的优势和局限性提供了见解。结果表明，尽管预训练的ResNet50模型在未增强的数据上达到最高准确率（94.74%），但自定义CNN从数据增强中显著受益，这有助于其比预训练模型更有效地管理过拟合。本研究强调了数据增强对简单模型的作用以及深度学习的有效性，为阿姆哈拉语说话人识别的进一步研究提供了方向。

Keyword:

Amharic Speaker Identification

Deep Learning

Custom CNN

Pretrained Models

Spectrogram Images

Data Augmentation

Under-resourced Language