25、基于i-Vectors的说话人验证技术详解

基于i-Vectors的说话人验证技术详解

1. 说话人验证概述

说话人验证，也称为身份验证，旨在确认说话人声称的身份是否真实。多年来，它一直是一个活跃的研究领域。早期的一个重大突破是在声学特征（通常是MFCC）上使用高斯混合模型和通用背景模型（GMM - UBM）。然而，GMM - UBM系统面临着会话间变异性的主要难题。为了解决这个问题，联合因子分析（JFA）被提出，它通过分别建模说话人间变异性和信道或会话变异性来补偿这种变异性。后来，研究发现JFA中的信道因子也包含说话人的信息，于是提出将信道和说话人空间合并为总变异性空间，并通过后端程序（如线性判别分析（LDA）和类内协方差归一化（WCCN））来补偿会话间变异性，随后进行评分，如余弦相似度评分。还有人提出用概率线性判别分析（PLDA）模型取代余弦相似度评分，以及将i - 向量高斯化的方法（G - PLDA或简化PLDA）。虽然i - 向量最初是为说话人验证提出的，但它已被应用于许多其他问题，如语言识别、说话人分割、情感识别、年龄估计和反欺骗等。近年来，深度学习技术被提出用d - 向量或x - 向量取代i - 向量。

2. 使用i - Vector系统

Audio Toolbox提供了ivectorSystem，它封装了训练i - 向量系统、注册说话人或其他音频标签、评估系统决策阈值以及识别或验证说话人或其他音频标签的能力。

3. 开发i - Vector系统

3.1 数据集管理

本示例使用格拉茨工业大学的音高跟踪数据库（PTDB - TUG），该数据集由20名以英语为母语的人朗读TIMIT语料库中的2342个语音丰富的句子组成。具体操作步骤如下：