i-vector

最新推荐文章于 2021-01-18 21:50:18 发布
最新推荐文章于 2021-01-18 21:50:18 发布
阅读量341 收藏
点赞数
分类专栏： 声纹识别 语音识别 特征描述 文章标签： 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39011425/article/details/103195444
版权

i-vector

在这里插入图片描述
这张图里没有写ivector的total variability space是怎么训练的，并且也没有写详细推导total factor w（ivector）的公式，就是一个简单的思维导图。

参考论文：N. Dehak et al. “Front-end factor analysis for speaker verification”.

开土拓疆
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文 | 【i-vector前身】关于说话人确认任务中一种高效的因子分析模型中的实现算法
Zhangppeng的专栏
11-25 1651
一、Abstract 这篇论文是07年的《A Straightforward and Efficient Implementation of the Factor Analysis Model for Speaker Verification》，当时还没有提出i-vector,但在作者提出的这种Hybrid domain session compensation中暗含了信道总变化因子的思想。本篇p...
I-Vector的推导详解
weixin_38206214的博客
08-09 1万+
在深度学习的路上，从头开始了解一下各项技术。本人是DL小白，连续记录我自己看的一些东西，大家可以互相交流。 一、前言 目前UBM-MAP-GMM是一种说话人确认技术的标准系统，在JFA模型下，我们可以把生成式模型扩展成为具有说话人部分(本征音空间矩阵V)和信道部分(本征信道空间矩阵U)这两个联合模型。但是，在JFA的实际使用中，我们发现说话人部分和信道部分没办法完美分离，还会存在一定的干扰。受...
I-vector
人总是要有梦想的QAQ的博客
07-10 1960
在实际应用中，由于说话人语音中说话人信息和各种干扰信息掺杂在一起，不同的采集设备的信道之间也具有差异性，会使我们收集到的语音中掺杂信道干扰信息。这种干扰信息会引起说话人信息的扰动。传统的GMM-UBM方法，没有办法克服这一问题，导致系统性能不稳定。 在GMM-UBM模型里，每个目标说话人都可以用GMM模型来描述。因为从UBM模型自适应到每个说话人的GMM模型时，只改变均值，对于权重和协方差不做任何调整，所以说话人的信息大部分都蕴含在GMM的均值里面。GMM均值矢量中，除了绝大部分的说话人信息之外，也包含了信
i-vector本质剖析
chinabing的专栏
10-13 4860
1. i-vector的由来 基于因子分析理论，句子h的超向量可以描述成  其中为ubm模型的均值超向量，即为i-vector。 2. i-vector的计算 2.1 T矩阵的估计 为句子h的观察特征，可以对应于上面的，依据上式进行如下分布假设：服从正态分布N(0,I) 基于最大似然准则估计T矩阵，利用到EM算法 EM：先初始化T，估计出，再依据估计T，反复迭代 2.2 i...
声学特征 ivector
xmdxcsj的专栏
11-12 1万+
提取流程1.UBMuniversal background model[1] 使用GMM建模，UBM的训练通过EM算法完成，有两种方法： - 所有的数据训练出来一个UBM，需要保证训练数据的均衡 - 训练多个UBM，然后合在一起，比如根据性别分成两个，这样的话可以更有效的利用非均衡数据以及控制最后的UBM。2.supervector 使用MAP adaptation对UBM的高斯进行线性插值
voxceleb-ivector:基于Voxceleb1 i-vector的说话人识别系统
05-17
该存储库包含使用Kaldi在Voxceleb1 [1]数据集上训练i-vector说话者识别系统的简单脚本。 它是根据Kaldi / egs / sre10上的run.sh文件修改的。 要求 卡尔迪工具包 如何使用 将所有文件移至{kaldi_root} / egs / sre10...
i-Vector的分块训练
03-19
i-Vector的分块训练
I-VECTOR.zip_I-vector matlab_i vector_i-vector 声纹_msr_声纹识别ivecto
07-15
voiceprint声纹识别算法的实现MSR
基于I-Vector的说话人识别
01-18
基于i-vector的说话人识别系统， 内部含有 - ./doc/ this directory contains a documention on how to generate i-vectors - ./gmm/ directory used to store the Universal Background Model - ./iv/ ...
SVM.rar_SVM_SVM 干扰_i-vector_svm算法实现
09-14
i-vector与SVM的结合，可能是为了在分类时利用i-vector提取的特征，并通过SVM进行干扰抑制和分类决策，提高系统的稳定性和准确性。 在Matlab中实现SVM，通常会用到内置的`fitcsvm`函数进行模型训练，`predict`函数...
i-vector的工具箱
12-12
MSR Identity Toolbox: A Matlab Toolbox for Speaker Recognition Research Version 1.0 Seyed Omid Sadjadi, Malcolm Slaney, and Larry Heck Microsoft Research, Conversational Systems Research Center (CSRC) s.omid.sadjadi@gmail.com, {mslaney,larry.heck}@microsoft.com This report serves as a user manual for the tools available in the Microsoft Research (MSR) Identity Toolbox. This toolbox contains a collection of Matlab tools and routines that can be used for research and development in speaker recognition. It provides researchers with a test bed for developing new front-end and back-end techniques, allowing replicable evaluation of new advancements. It will also help newcomers in the field by lowering the “barrier to entry”, enabling them to quickly build baseline systems for their experiments. Although the focus of this toolbox is on speaker recognition, it can also be used for other speech related applications such as language, dialect and accent identification. In recent years, the design of robust and effective speaker recognition algorithms has attracted significant research effort from academic and commercial institutions. Speaker recognition has evolved substantially over the past 40 years; from discrete vector quantization (VQ) based systems to adapted Gaussian mixture model (GMM) solutions, and more recently to factor analysis based Eigenvoice (i-vector) frameworks. The Identity Toolbox provides tools that implement both the conventional GMM-UBM and state-of-the-art i-vector based speaker recognition strategies. A speaker recognition system includes two primary components: a front-end and a back-end. The front-end transforms acoustic waveforms into more compact and less redundant representations called acoustic features. Cepstral features are most often used for speaker recognition. It is practical to only retain the high signal-to-noise ratio (SNR) regions of the waveform, therefore there is also a need for a speech activity detector (SAD) in the fr
论文研究-基于DNN处理的鲁棒性I-Vector说话人识别算法.pdf
09-10
提出了一种将基于深度神经网络（Deep Neural Network，DNN）特征映射的回归分析模型应用到身份认证矢量（identity vector，i-vector）/概率线性判别分析（Probabilistic Linear Discriminant Analysis，PLDA）说话人系统模型中的方法。DNN通过拟合含噪语音和纯净语音i-vector之间的非线性函数关系，得到纯净语音i-vector的近似表征，达到降低噪声对系统性能影响的目的。在TIMIT数据集上的实验验证了该方法的可行性和有效性。
基于Alize的ivector算法
04-09
基于Alize的ivector算法，《声纹识别之Alize入门教程(三)：I-vector》对应资源。https://blog.csdn.net/u012594175/article/details/88726163
基于ivector的说话人识别SDK
04-09
vs2013；win10；基于ivector的说话人识别SDK。参考 https://blog.csdn.net/u012594175/article/details/89108535
基于i-vector和深度学习的说话人识别.pdf
08-19
基于i-vector和深度学习的说话人识别.pdf
i-vector d-vector x-vector
weixin_39087379的博客
01-18 4070
一、i-vector i-vector 模型是输出一个400维的向量 二、d-vecto DNN 会输入一个固定长度的语音，对它做 Speaker Recognition。然后我们把这个模型的最后一层隐层抽取出来，它就是这段语音的 d-vector。不用 output layer 中的最后一层输出，因为它的维度是和训练时语者数目有关的。而是它前面的那一层隐层输出。 在实际预测的时候，输入语音是不等长的，会把语音截成多段，然后取这几段特征的d-vector的平均值作为最后的speaker embedding
声纹识别之Alize入门教程(三)：I-vector
NonDay的博客
03-21 2795
Alize完整的ivector例程，包括：数据准备、特征提取、训练以及测试等。最终生成的得分文件res/scores_PLDA_lengthnorm.txt，其含义参考GMM-UBM。 M S0002 1 BAC009S0002W0122 0.644295 M S0003 1 BAC009S0002W0122 0.520998 M S0004 1 BAC009S0002W0122 0.4846...
声纹识别之I-Vector
热门推荐
weixin_38206214的博客
07-18 3万+
在深度学习的路上，从头开始了解一下各项技术。本人是DL小白，连续记录我自己看的一些东西，大家可以互相交流。 本文参考：https://blog.csdn.net/u014688145/article/details/53046765?locationNum=7&fps=1 https://blog.csdn.net/qq_27292549/article/details/7912896...
d-vector i-vector
最新发布
09-21
d-vector的思想相对简单，但与i-vector相比效果稍差。d-vector的speaker embedding可以在DNN的倒数第二层得到。 x-vector是d-vector的升级版，它在训练过程中考虑了整段声音信号的信息。与d-vector类似，x-vector将...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值