Kotelnikov Institute of Radio Engineering and Electronics of RAS Русский Sign in Submit a paper
Journal of Radio Electronics Online scientific journal · eISSN 1684-1719
2011, № 10 · RADIO ELECTRONICS RELATED PROBLEMS

Метод разреженных представлений в задаче автоматической текстонезависимой идентификации и верификации диктора

N.A. Liubimov1

1 Московский государственный университет им. М.В. Ломоносова, факультет вычислительной математики и кибернетики, Russia
Full text (PDF) EDN OOPFFV

Abstract

Text-independent speaker identification and verification (a.k.a. open-set speaker identification) is one of the most important problems in design of automatic speech recognition systems. This paper describes the method based on sparse representations that enhances recognition accuracy. The effectiveness of the proposed approach is demonstrated using two independent evaluations with phone-quality speech signals. It is shown that applying sparse representations in the open-set speaker identification problem reduces the equal error rate by more than half, while considerably increasing the identification rate.

  • автоматическая идентификация и верификация диктора
  • мел-кепстральные коэффициенты (MFCC)
  • метод разреженных представлений
  • супервектор многомерных нормальных распределений
  • база данных телефонного качества
  • Automatic speaker identification and verification
  • Mel-Frequency Cepstral Coefficients (MFCC)
  • Sparse representations
  • GMM supervector
  • phone-quality audio database
Аннотация (на русском)

Метод разреженных представлений в задаче автоматической текстонезависимой идентификации и верификации диктора

Задача текстонезависимой идентификации и верификации диктора (также называемая открытой задачей идентификации) является на сегодняшний день одной из наиболее важных в контексте моделирования систем распознавания человеческой речи. В данной статье описан подход, использующий метод разреженных представлений для повышения качества распознавания диктора. Эффективность предложенного подхода была продемонстрирована в рамках двух независимых экспериментов на базе фонограмм телефонного качества. Исследования показали, что применение метода разреженных представлений в открытой задаче идентификации диктора позволяет более чем в полтора раза снизить эквивалентную ошибку, повысив при этом точность идентификации.

For citation

Liubimov N.A. Метод разреженных представлений в задаче автоматической текстонезависимой идентификации и верификации диктора // Journal of Radio Electronics. – 2011. – No. 10.

References

  1. B. Gold, N. Morgan. Speech and Audio Signal Processing, // John Wiley & Sons, 2000.
  2. Аграновский А.В., Леднов Д.А. Теоретические аспекты алгоритмов обработки и классификации речевых сигналов, // - М.: «Радио и связь», 2004. - с. ?
  3. P. Dempster, N. M. Laird, D. B. Rubin "Maximum likelihood from incomplete data via the EM algorithm," Journal of the Royal Statistical Society, Series B, Vol. 39, No.1, pp, 1-38, 1977
  4. Douglas A.Reynolds and Richard C.Rose "Robust Text-Independent Speaker Identification Using Gaussian Mixture Speaker Models," IEEE Transaction on Speech and Audio Processing, vol. 3, No 1, January 1995
  5. Douglas A. Reynolds, Thomas F. Quatieri, and Robert B. Dunn "Speaker Verification Using Adapted Gaussian Mixture Models," Digital Signal Processing Vol. 10, pp. 19-41, 2000
  6. W.M. Campbell, D.E. Sturim, D.A. Reynolds, "Support Vector Machines using GMM Supervectors for speaker verification," IEEE Signal Processing Letters, Vol. 13, Issue:5, pp. 308-311, 2006
  7. U.B. Simon, I. Lapidot, H. Guterman "Comparison between Normalizations for SVM - GMM Supervectors Speaker Verification", IEEE 26th Convention of Electrical and Electronics Engineers in Israel (IEEEI), 2010
  8. W.M. Campbell, D.E. Sturim, D.A. Reynolds, A. Solomonoff, "SVM Based Speaker Verification using a GMM Supervector Kernel and NAP Variability Compensation," IEEE Int. Conf. on Acoustics, Speech and Signal Processing (ICASSP), pp. I-I, 2006
  9. Kenny, P "Joint factor analysis of speaker and session variability: Theory and algorithms," Technical report CRIM-06/08-13 Montreal, CRIM, 2005
  10. J. Wright, A.Y. Yang, A. Ganesh, S.S. Sastry, Yi Ma "Robust Face Recognition via Sparse Representation," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 31, Issue 2, pp. 210-227, 2009
  11. M. Li, S. Narayanan " Robust Talking Face Video Verification using Joint Factor Analysis and Sparse Representation on GMM Mean Shifted Supervectors," In Proc. of IEEE int. Conf. on Audio, Speech and Signal Processing (ICASSP), 2011
  12. M. Elad, "Sparse and Redundant Representations: From Theory to Applications in Signal and Image Processing," Springer, LLC 2010
  13. D.L. Donoho, M.Elad, "Optimally Sparse Representation in General (Non-Orthogonal) dictionaries via l1-minimization," Proc. of National Academy of Science (PNAS), Vol. 100, No.5, Mar. 4, 2003
  14. H. Lee, A. Battle, R. Raina, A. Y. Ng "Efficient Sparse Coding Algorithms," Advances in neural information processing systems, Vol. 19, 2007
  15. The NIST Year 2004 Speaker Recognition Evaluation Plan, <http://www.itl.nist.gov/iad/mig/tests/spk/>
  16. A. Ganesh, Z. Zhou, Y. Ma, "Separation of a Subspace-Sparse Signal: Algorithms and Conditions," Proc. of the IEEE Int. Conf. on Acoustic, Speech and Signal Processing (ICASSP), 2009
  17. I. Naseem, R. Togneri, M. Bennamoun "Sparse Representation for Speaker Identification", 20th Int.Conf. on Pattern Recognition (ICPR).