PLDA

• PLDA（Probabilistic Linear Discriminant Analysis）是一种信道补偿算法，认为ivector中既有说话人信息，又有channel信息，想要滤去channel信息（信道），需要对信道进行补偿。
  ref：《Probabilistic Linear Discriminant Analysis for Inferences About Identity》
  其中提到：LDA和PLDA相当于因子分析和主成分分析PCA的关系

因子分析

• 观测数据的分布，找到其内在的联系，然后用少量的数据描述这个数据结构。即用假想变量表示观测数据。
  
• 总结就是用多元高斯分布经过仿射变换，加上噪声，用来拟合真实的分布。

https://www.twblogs.net/a/5b7d54e62b71770a43deac32/zh-cn

plda-kaldi

ivector-plda-scoring <plda> <train-ivector-rspecifier> <test-ivector-rspecifier> <trials- rxfilename> <scores-wxfilename>
的第一列要是spk_id，和 的第一列种类相同
的第二列是utt_id，和 的第二列种类相同
需要将句子遍历所有说话人，得到的数目是spk_num*utt_num
其中打分的如果是个文件夹需要自行创建
报的vector：no such file or directory检查对应的文件列id是否匹配，有可能是多一点或者少一点什么
的结果是判别合成的说话人之间的差异，认为合成的不同说话人的差异越大（eer越小），合成语音不同人之间区分度越好
<我的任务>检查和source之间的相似度，因此一个人转换之后的话全部设成non-target----试验不行，如果一个人，全标成nontarget，不能算eer

• 生成speaker.txt和trials
  speaker.txt是<wav_dir, utt_id>
  trials 是<spk, utt_id, target/nontarget>
  因为是测试转换的和原来的相似度

python gen_spk_test.py wav_dir save.txt

需要自行修改内部的文件
测试证明

• 如果将source分别标记成target和nontarget，eer并不是所想象的那样很高的错误率，p226只有33.3%
• 如果将p226和p303按照各自说话人标记，ref集的eer=0%
• 和句子长短的关系不太大，生成的句子（同一，标为nontarget）在5s内和15s内（保证enroll，test-target相同）得到的eer相同
• 如果得到分数，但是没有报错却不生成eer，检查trials文件的spk和label标签对应是否正确

参考：【1】画EER曲线，声纹确认https://blog.csdn.net/zjm750617105/article/details/60503253