我想设计一个使用人工神经网络的说话人识别软件（给定一段音频，我希望能够识别出说话人是谁）。我考虑将说话人的名字存储在一个数据库中，每个说话人都有一个唯一的id：

id first_name last_name

网络设计如下：- 输入是音频特征（频率、音高等） – 隐藏层 – 单一输出：说话人在数据库中的ID

我的问题是网络架构背后的逻辑是否有效。将网络的输出设置为数据库ID（我将对找到的最大ID进行归一化处理）是否正确？

我考虑过使用多个输出，每个输出对应一个特定的说话人。但随着说话人数量的增加，输出的数量也会随之增加，所以如果我有10,000个说话人，我将不得不有10,000个输出，我认为这是不合理的。

这是使用ANN解决此类问题的方法吗？

回答：

我的问题是网络架构背后的逻辑是否有效。将网络的输出设置为数据库ID（我将对找到的最大ID进行归一化处理）是否正确？

这是错误的方法。如果你将输出视为数字，你会对人施加某种接近性，使得那些ID更接近的人比那些ID更远的人拥有更相似的语音，因此某些错误的惩罚会比其他错误更重。

我考虑过使用多个输出，每个输出对应一个特定的说话人。但随着说话人数量的增加，输出的数量也会随之增加，所以如果我有10,000个说话人，我将不得不有10,000个输出，我认为这是不合理的。

不幸的是，这是正确的方法。通常，在进行多类别分类时，会使用softmax输出单元。这样你就不会施加任何偏好，所有错误的惩罚都与标识符的接近性无关。

实际上，你试图解决的问题非常困难（从我的角度来看）。我怀疑即使是人类也无法区分10,000个说话人！你将需要每个说话人的大量语音数据、一些智能的预处理，以及更智能的（很可能是深度）机器学习算法来使其工作。不要认为你只需使用一个人工神经网络，它就会“自动工作”。有许多类型的人工神经网络，我们仍然不知道如何在一般情况下可靠地训练它们。