d-vector(Deep neural networks for small footprint text-dependent speaker verification)

背景
SV（speaker verification）分为三个步骤：
Development: 模型训练
Enrollment: 新用户注册
Evaluation: 用户的识别

概念
在development时，输入为给定上下文(文本相关)的帧级语音，target为说话人身份，输出维数与说话人数量N相等，是一个 1-hot向量，即唯一的非零元素对应了说话人的身份。

在enrollment时，对每段语音来说，将每一帧数据分别输入DNN，d-vector(说话人的向量)为DNN最后一层隐藏层的输出之和。

在evaluation时，计算d-vector间的距离，从而判断说话人身份。

实现流程

对于一个说话人s的语音集

每一段语音可分为

将每一个Osi的oj输入DNN，取最后一层隐藏层的输出L2标准化，并将每个Osi的oj输出求和，即可得到d-vector，最后将每段语音Osi的d-vector求和取平均，就得到了说话人的特征。

在evaluation时，计算d-vector间的cos distance，将distance与阈值比较，从而判断说话人身份。

DNN对后两层layer使用了Dropout来避免过拟合。

实验

总的来说，i-vector的表现要好于d-vector，但在低错误拒绝了区间，d-vector要好于i-vector

在对enrollment与evaluation加上了10dB噪音后，噪音对d-vector的影响小于i-vector。