1. 为什么会有PLDA,解决了什么问题
上一篇文章讲解了声纹领域开创式进展i-vector方案,该方案为了简化操作,将所有的可变因子视为一个总的变化因子,这估计也是TV系统(total variabililty)称呼的由来,TV系统公式如下,其中w因子既包含说话人因子,又包含信道等其他因子,这样在跨信道或者跨场景情况下效果不佳。PLDA就是为了解决此问题。
2. 什么是PLDA
2.1 基本原理
PLDA有多种,这里讲解比较通用的G-PLDA。
TV方案属于无监督方案,PLDA属于有监督方案,需要说话人的标签信息。
PLDA本质上是在TV系统生成的i-vector基础上又做了一次因子分析。
TV系统生成的i-vecotr用D表示,D包含说话人和信道两部分信息,D=S+C (speaker and channel),这里假设S和C相互独立,且均服从高斯分布。
第i个人第j句话的i-vector记为, 然后PLDA定义
其中,说话人信息部分为,仅与说话人i相关,描述说话人之间差异;噪声部分为
,描述说话人内部之间差异。
假设各隐变量符合以下分布
2.2 训练过程
训练集,模型参数为
,采用最大似然估计MLE准则进行优化,即
① 初始化参数
② E-step: 估计隐变量
③ M-step: 依据估计的隐变量更新参数
④ 重复②和③ N次
2.3 测试过程
采用似然比策略进行说话人判别。
假设模型M描述身份因子h和输入特征(i-vector)之间的关系,测试过程即判断ivector 是否与注册ivector
共享同一身份h
hypothesis 表示
和
来自不同身份隐变量,hypothesis
表示
和
来自相同身份隐变量,则似然比计算
接下来就是如何计算概率了。
3. 参考资料
[1] Analysis of I-vector Length Normalization in Speaker Recognition Systems