声纹识别：x-vector 的特征提取原理

x-vector 基于DNN编码（详细可查看论文 Deep Neural Network Embeddings for Text-Independent Speaker Verification ）

框架

##i-vector、d-vector、x-vector
（1）i-vector

i-vector 是一个不管输入多长的语音，都可以吐出一个400维的向量的模型。
i-vector 并不是深度学习的模型，但是可以说是语音界最后一个被深度学习模型打败的模型，在16年左右，其效果比深度学习模型的效果要好。

（2）d-vector

d-vector是14年提出的一个和i-vector效果差不多的深度学习模型（还没有i-vector好）。
它的思想很简单，在训练的时候，就是截取语音中的一小段之后，把这段放到DNN里去训练，最后输出这段话是哪个人说的。训练结束之后，倒数第二层的feature就是我们要的speaker embedding了。

在实际预测的时候，我们的输入语音是不等长的，因此d-vector会把语音截成多段，然后取这几段特征的平均值作为最后