robingao1994的博客

作为一个初级的算法和声纹的工程师，写个blog记录一下自己近期所接触的知识点，作为日后参考和复习用首先都是文本，后期有空再加图片和改格式，很多内容都是通过被人的blog参考和整理得来。日后慢慢的更新声纹识别SRE的算法以及机器学习的算法和数据分析的实践更新：最近项目测了个模型，刚好在读取文件中尝试写了一下关于读取WAV文件里面纯音频的C++代码，很少的行数，但是逻辑应该蛮清楚的。wav文件的解析只...

写博客=写日记，为自己记录工作进度和理论知识，如果有恰好路过的大牛经过，可以驻足看看我的理解本人刚接触说话人识别不到一个月，因工作需求研究了kaldi。大致弄懂了GMM-UBM，正在研究Ivector的理论和实践.虽然个人更喜欢数据分析，数据挖掘和传统的机器学习。但能学到不同领域的AI知识拓宽知识广度也是自我成长。若有会跳街舞的（小弟曾经英国某城市冠军），能喝酒的，蹦迪的，喜欢python多过C+...

先引用知乎上 @LEON晋 大神解释的说话人识别对说话人准确率判断的两个评分标准：在一批本该全部正确(TRUE)的列表中出现几个没识别出正确的语音，这个就是错误拒识FR(False Rejection)，是Miss的；在一批本该全部错误(Flase)的列表中出现了几个没识别出错误的语音，就是错误的语音被认为对了，FA(False Acceptance)，是Flase Alarm的。然后各自占的比例...

因为想用Kaldi去实现一个GMM-UBM的说话人识别和loglike打分，所以想把Kaldi计算的统计量对一对，看能不能把二进制文件里的数值单独拿出来，自己写个代码做结合Kaldi中的MAP做统计量计算，然后再放回去。 但是当把训练好的UBM打开看看，发现他的矩阵不是人们常说的MFCC生成的特征向量是39维而是60维，所以特意返回去再把MFCC和信号处理给梳理一遍。并且把ka...

总结了一波Kaldi中声纹识别的流程和所用的可执行文件,.把可执行文件当作一个库来用,自己来仿照这sre08,sre10,或者aishell的run.sh用自己的数据来完成自己的声纹识别系统就好.自己还在研究,但是说几个我认为比较关键的地方:1.gmm-gselect : 对每帧选择能取得最高likelihood的前n个分量, 其他的分量忽略. 返回的是这些分量的索引,后面计算的时候对于每帧只用这...

最近一直在学习和操作PLDA,感觉这个算法太有才了，对身份验证如人脸识别，声纹识别，OCR都有用． 先对自己的工作和面试别人以及被面试有一份感悟：1.数学太重要了，有些人看论文难啃的原因就是公式看不懂，公式看不懂就是数学不好，后面要慢慢补起来2.感觉工程能力太重要，不管是在工作中还是面试，算法最终能否实现还是要看你的手上的活．这是我的弱项，慢慢补3.很多面试官不管候选人简历，直...

gplda也就是我们常说的plda,即假设设本征音和本征信道满足高斯分布而得名．ht-plda:重尾分布的PLDA, 重尾分布是指少量个体作出大量贡献,占大量的资源,假设的是student t 分布在一些论文中可以看到，ivector在HT-PLDA上的表现比GPLDA好，并且HT-PLDA的假设是说话人因子和抖动空间是符合student t 分布，这样就说明ivector中有很多非高...

昨天帮新同事讲解了一波说话人识别的理论,并且帮他整理了资料让他学习,这个博客就是把最具有代表性的资料记录下来,前提,我假设你知道啥是MFCC,啥是VAD,啥是CMVN了.说话人识别学习路径无非就是 GMM-UBM -> JFA -> Ivector-PLDA -> DNN embeddings -> E2E首先 GMM-UBM, 最经典代表作: Speaker...

做个记录, 给大多数跑脚本但是又没有官方数据的朋友一起交流讨论:引用自己在知乎的回答:跑kaldi的脚本到最后都是得用自己的数据去训练去测试的, kaldi只需要三个文件utt2spk, spk2utt和wav.scp.具体的你其实可以看看他们做数据的perl脚本,我个人是用python写一个脚本把数据集变成kaldi可读的格式的, 我代码弱智水平都能做,相信大牛的你们也没问题的....