文本无关说话人确认的深度神经网络嵌入

文本无关说话人确认的深度神经网络嵌入

论文：Snyder D, Garcia-Romero D, Povey D, et al. Deep Neural Network Embeddings for Text-Independent Speaker Verification. 18th Annual Conference of the International Speech Communication Association[C]. 2017: 999–1003.

论文的作者提出了 X-Vector，，X-Vector 可以查看该博文。

摘要

在说话人无关的说话人确认系统中，可以通过神经网络的时间池化层(Temporal Pooling Layer)来聚合说话人语音，以捕获长期的的说话人特征，从而实现长度变化的语音转化为固定维度的说话人嵌入。D. Snyder 提出了一种新的前端-后端说话人确认框架，其中前端模型采用深度神经网络(Deep Neural Network, DNN)提取说话人嵌入，后端模型采用概率判别分析对注册语音和测试语音进行评分计算。该方法在 NIST SRE 2010 英文语料与 2016 Cantonese 与 Tagalog 非英文语料上评测短时、语音不匹配的系统性能。结果表明：1）1）DNN 嵌入与 i-vector 相当，2）两种向量的得分融合互补，3）DNN 嵌入在短时语音上更优，4）DNN 对语音不匹配更鲁棒。

方法

论文中提及了两种说话人确认的系统：i-vector 系统与 DNN 嵌入系统：

1. i-vector 系统
   • 模型：输入(60-d) $\mapsto$ UBM(2048-c) ↦