当将分段的语音音频添加到DNN模型中时，我了解到从最后一层隐藏层提取的特征的平均值就是’d-vector’。在这种情况下，我想知道即使我输入未经学习的说话人的声音，是否也能提取出说话人的d-vector。通过使用这个方法，当输入由多人说话的语音文件的分段值（使用mel-filterbank或MFCC）时，我们能否通过聚类之前提到的提取的d-vector值来区分说话人？
回答：
回答您的问题：
-
在训练模型后，您可以通过将输入向量前向传播通过网络来简单地获取
d-vector。通常您会查看ANN的输出（最后一层），但您同样可以从倒数第二层（即d-vector层）获取值。 -
是的，您可以用
d-vector来区分说话人，因为它以某种方式产生了音频信号的高层次嵌入，这些嵌入对于不同的人具有独特的特征。例如，请参见这篇论文。
