Pour pallier les limites des systèmes d'authentification des locuteurs basés sur l'apprentissage profond, qui dépendent fortement de l'accès à des ensembles de données de locuteurs vastes et diversifiés, cet article propose INSIDE (Interpolating Speaker Identities in Embedding Space), une nouvelle méthode d'augmentation des données qui synthétise de nouveaux identifiants de locuteurs par interpolation entre les intégrations de locuteurs existantes. INSIDE sélectionne des paires d'intégrations de locuteurs proches dans un espace d'intégration de locuteurs pré-entraîné et calcule une intégration intermédiaire par interpolation linéaire sphérique. Ces intégrations interpolées sont introduites dans un système de synthèse vocale pour générer les formes d'onde vocales correspondantes. Les données résultantes sont ensuite combinées à l'ensemble de données d'origine pour entraîner des sous-modèles. Les résultats expérimentaux démontrent que les modèles entraînés avec des données augmentées par INSIDE surpassent les modèles entraînés uniquement sur des données réelles, obtenant des gains de performance relatifs de 3,06 % à 5,24 % pour l'authentification des locuteurs. La classification par sexe démontre également un gain de performance relatif de 13,44 %. INSIDE est compatible avec d’autres techniques d’augmentation, ce qui en fait un ajout flexible et évolutif aux pipelines de formation existants.
