說話人識別中取到i-vector之後怎麼做分類？

現在有了gmm-ubm，自適應得到了每個人的gmm模型，用M=m+Tw得到了w，即每個人的i-vector，接下來怎麼辦呢？這時來了一個測試音頻，是某個人說的話.wav，取其mfcc特徵後怎麼判斷屬於哪個人呢？

換句話說，i-vector和dnn怎麼配合呢？

還是我之前的思路不對？可以簡述一下思路原理給幾篇文獻或者代碼嗎

訓練時有了GMM-UBM，有了T矩陣，測試時就對enrollment和test的MFCC提取高斯超矢量M；然後根據M = m + Tw，得到w，也就是屬於enrollment和test的i-vector；接下來就可以做分類了。

得到i-vector，那接下來就用PLDA或者cos作為後端分類器就好了，這個在kaldi的SRE10里有腳本。

如果想要在提取i-vector過程中使用到DNN，那就是藉助語音識別的辦法，訓練DNN模型；然後以DNN的輸出節點數作為UBM的高斯數。這個在SRE10-v2里有，不過這整套工程跑起來挺費時。

如果把DNN作為後端分類，也不是不行，就是把整個流程搞得太長了：得到i-vector之後，每次直接把單句話的iv輸入進去，輸入節點數等於iv維度；集內有多少個SPK，輸出節點就有多少維，標籤就有多少維；每個SPK的標籤都保持one-hot；訓練階段用softmax或者cross entroy；這樣就可以完成集內的識別。當然這方法有幾個弊端，一是集內二是基於ivector。

如果要做識別，當然還有更暴力的方法，脫掉UBM T矩陣 ivector那一套，如果數據量夠多的話，直接用MFCC輸入DNN作識別就OK了，參考d-vector方法；不過dvector辦法還是有弊端。同樣，做二分類確認，也可以直接用DNN解決，只是還有些trick。

對@yichi 的回答稍微補充一點， 對於 1:N 識別的話，最簡單的就是對註冊集的每一個人的ivector特徵取平均，直接作為這個人的model, 然後測試的時候直接計算cos距離就好了，取top1作為識別結果（親測比gmm-ubm效果要好一點，可以直接yichi提到的sre10/v1中的腳本提）。 同理的可以lda之後再這麼做。 如果數據足夠多的話，可以用ivector特徵再用簡單的dnn模型訓或者svm,random forest， 當然，一般註冊集每個人就幾句話，所以一般可以不考慮這種做法, 還有就是如果新註冊一個說話人，難道你要重新訓一遍模型？

謝邀。

首先，你應該採用的是i-vector說話人識別技術路線對吧，這方面論文不少，搜關鍵字即可。

對測試語音，同樣提取mfcc-&>提取i-vector，然後進行打分，打分的方法有cosine, LDA, PLDA，其中PLDA的效果是最好的，但是需要數據去訓練獲得參數。

代碼的話，推薦kaldi里的sre10/v1，裡面有全套的i-vector/PLDA說話人識別系統流程。

i-vector和DNN的配合？請問這個你指的是什麼，我不是太明白。。

謝邀。

上面的回答已經比較詳細了。如果你已經有了i-vector，那麼後端就需要分類器或打分的演算法了。一般還是GPLDA或Cosine Distance。你也可以自行設計一個neural networks去做這個打分或分類。

另外補充一點的是，聲紋裡面有identification和verification之分的。你所提的問題是identification的。

最近看到一篇台灣大學在ICASSP2017上的文章，用的ivector+autoencoders（用DNN實現），說白了就是用DNN代替了PLDA的工作（後端換為NN的文章真心不多，大部分都是用NN做特徵提取或者直接end-to-end）。