在声纹识别中，相似度计算方法的选择对于识别准确率和性能至关重要。以下是常用的相似度计算方法，以及每种方法在声纹识别中的适用情况。
常见相似度计算方法
-
余弦相似度（Cosine Similarity）
- 定义：余弦相似度通过计算两个向量的夹角来衡量相似度，范围在 -1 到 1 之间，1 表示完全相似，0 表示不相似。
- 公式：
[
\text{cosine_similarity}(A, B) = \frac{A \cdot B}{||A|| \cdot ||B||}
] - 优点：对向量的长度不敏感，仅关心方向。这在声纹识别中特别有用，因为声纹特征主要是方向信息。
- 适用性：推荐用于声纹识别，因为声纹向量的相似度通常取决于方向而非长度。许多声纹识别模型（如 ECAPA-TDNN）通常以余弦相似度作为衡量标准。
-
欧几里得距离（Euclidean Distance）
- 定义：欧几里得距离衡量两个向量之间的直线距离。
- 公式：
[
\text{euclidean_distance}(A, B) = \sqrt{\sum_{i=1}^{n} (A_i - B_i)^2}
] - 优点：简单直观，可以直接衡量两个向量的绝对差异。
- 适用性：适用于声纹识别，但在实际应用中不如余弦相似度，因为它对向量的大小敏感。除非进行了归一化处理，否则两个相似的声纹可能会因为幅度不同而被判定为不相似。
-
内积（Dot Product）
- 定义：内积是直接计算两个向量的乘积，数值越大，向量越相似。
- 公式：
[
\text{dot_product}(A, B) = A \cdot B
] - 优点：计算简单，适用于方向相同的向量。
- 适用性：在声纹识别中不太常用，除非所有嵌入向量都经过了归一化。
-
马氏距离（Mahalanobis Distance）
- 定义：马氏距离考虑了数据分布的协方差，对于同一分布内的向量差异有较强的判断力。
- 公式：
[
\text{mahalanobis_distance}(A, B) = \sqrt{(A - B)^T S^{-1} (A - B)}
] - 优点：适用于高维数据和具有不同方差的情况。
- 适用性：虽然理论上可以提高识别准确率，但在实际中实现较为复杂，并且需要大量数据来估计协方差矩阵。对于实时声纹识别可能不是最佳选择。
推荐相似度方法
在声纹识别中，余弦相似度通常是最佳选择，因为它更关注向量的方向，能够有效忽略向量的大小差异。这一点在声音特征中尤为重要，因为音频信号的强弱通常不影响声纹特征的主要方向。
此外，许多声纹识别系统（如基于 ECAPA-TDNN 的模型）在训练时就是使用余弦相似度来优化的，因此在推理阶段继续使用余弦相似度能够保持一致性。
使用余弦相似度的示例代码
在 Milvus 中，余弦相似度的计算方式可以通过设置 metric_type 为 "IP"（内积，Inner Product），因为 Milvus 会先对向量进行归一化，再计算内积，这样内积的效果等价于余弦相似度。
修改后的代码示例
# 查询向量库时使用余弦相似度
search_params = {"metric_type": "IP", # 内积，相当于余弦相似度"params": {"nprobe": 10} # 设置搜索精度
}results = collection.search([query_vector.tolist()], # 查询向量"embedding", # 嵌入字段search_params["params"], # 搜索参数limit=1 # 返回1个最匹配的结果
)
总结
- 推荐使用余弦相似度：适用于大多数声纹识别任务，具有较好的鲁棒性。
- Milvus 中的余弦相似度：通过
metric_type="IP"使用内积计算，达到余弦相似度效果。
