結合I-Vector及深層神經網路之語者驗證系統

Text-independent Speaker Verification using a Hybrid I-Vector/DNN Approach

語者驗證的目的是以語音訊號來驗證特定語者的身份（Identity），此項研究在近年的智慧生活環境已成為一個重要的研究議題。不論是在門禁系統，亦或是搜尋、偵測特定語者語音等，都被廣泛應用。語者驗證又分為文字特定模式（Test-dependent Mode）與文字不特定模式（Text-independent Mode）兩類，前者的好處為已知較多語音資訊，可以大幅改善系統的驗證效能，但實際的應用限制較多，後者因為是隨機的語音訊號，資訊量較少，相對驗證效果不如前者，但也因為限制較少，應用層面相對較大。在本研究中，我們著重於文字不特定模式的語者驗證。傳統的語者驗證系統是使用高斯混合模型的架構，其作法是訓練一套Universal Background Model（UBM）高斯混合模型（Gaussian Mixture Model，GMM），UBM-GMM。接著利用每一位語者的語音訊號，以及最大後驗概率法則（Maximum A Posteriori，MAP）對UBM-GMM作調整以得到每位語者專屬模型，接著再對測試語句利用UBM-GMM及Speaker-specific GMM分別計算似然值。另外，還有將GMM抽取Mean串成Supervector再使用Support Vector Machine（SVM）作辨識的方法。