OSCHINA · Speaker-Recognition

OSCHINA · Speaker-Recognition

原文链接

1.GMM-UBM（混合高斯，通用背景模型）

该模型，将声学特征投影到高维空间上，得到高维的均值超矢量。UBM采用大规模的说话人预料训练完成，并因此可以进行说话人的共性特征的描述。以UBM为初始模型，采用目标说话人数据进行基于最大后验概率的自适应训练，得到目标说话人的混合高斯模型。通过计算似然值的方法进行说话人打分，通过分值进行判决。

实际中，如果遇到训练语音比较短或者语料比较少的情况，GMM模型的效果就不会有很好的效果。而GMM-UBM可以在较小的训练集情况下仍然可以获得较为准确的模型，识别性能及鲁棒性都很好。

2.联合因子分析

传统的联合因子分析建模过程主要是基于两个不同的空间：由本征音空间矩阵定义的说话人空间，由本征信道空间矩阵定义的信道空间。

3.i-vector

i-vector采用一个空间来代替两个空间，这个新的空间可以成为全局差异空间，既包含了说话者之间的差异，又包含了信道间的差异。所以i-vector的建模过程在GMM均值超矢量中不严格区分说话者的影响和信道的影响。

i-vector可以看做一种特征，也可以看做是最简单的模型，测试阶段，只要计算测试语音i-vector和模型的i-vector之间的余弦距离，就可以作为最后的评分。