Реализация SincNet (arxiv.org/pdf/1808.00158.pdf) с быстрыми сверточными sinc-фильтрами Основная идея заключается в параметрах - автоматически настраиваемых частотах спектрограммы: по сути, нейросеть сама отдает предпочтения определенному диапазону частот, в отличие от, например, мел-фильтра, который настроен на человеческое восприятие звука
В статье рассматривается задача идентификации спикера. Авторы отметили быструю сходимость, которая зависит так же и от малого числа параметров фильтра (в стандартной свертке кол-во параметров = длине свертки, тут же не зависит от длины свертки и равно 2 на каждый входной сигнал)
В моем случае к цифрам из статьи не удалось приблизится из-за малого количества эпох. Для улучшения же результата следует облегчить сеть и увеличить на значительное количество время обучения