neural-network - i-vector 和 d-vector 的区别

Question

有人可以解释一下 i-vector 和 d-vector 之间的区别吗？我对它们的了解是它们广泛用于说话人/语音识别系统，它们是表示说话人信息的模板，但我不知道主要区别。

Answer 1

I-vector 是表示帧级特征分布模式的特质特征的特征。 I-vector提取本质上是GMM超向量的降维(虽然在计算i-vector时没有提取GMM超向量)。它的提取方式与特征语音自适应方案或 JFA 技术类似，但按句子(或输入语音样本)提取。

另一方面，d-vector 是使用 DNN 提取的。为了提取 d 向量，训练了一个 DNN 模型，该模型采用堆叠滤波器组特征(类似于 ASR 中使用的 DNN 声学模型)并在输出上生成单热说话人标签(或说话人概率)。 D-vector 是来自这个 DNN 的最后一个隐藏层的平均激活。因此，与 i-vector 框架不同，它没有关于特征分布的任何假设(i-vector 框架假设 i-vector 或潜在变量具有高斯分布)。

所以总而言之，这是从完全不同的方法或假设中提取的两个不同的特征。我建议你阅读这些论文:

N. Dehak、P. Kenny、R. Dehak、P. Dumouchel 和 P. Ouellet，“说话人验证的前端因素分析”，IEEE 音频、语音和语言处理交易，卷。 19，没有。 4，第 788-798 页，2011 年。

E. Variani、X. Lei、E. McDermott、I. L. Moreno 和 J. G-Dominguez，“用于小足迹文本相关说话人验证的深度神经网络”，Proc。 ICASSP，2014 年，第 4080-4084 页。