...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Transactions on Speech and Audio Proceeding >Robust text-independent speaker identification using Gaussian mixture speaker models
【24h】

Robust text-independent speaker identification using Gaussian mixture speaker models

机译：使用高斯混合说话人模型进行鲁棒的与文本无关的说话人识别

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper introduces and motivates the use of Gaussian mixture models (GMM) for robust text-independent speaker identification. The individual Gaussian components of a GMM are shown to represent some general speaker-dependent spectral shapes that are effective for modeling speaker identity. The focus of this work is on applications which require high identification rates using short utterance from unconstrained conversational speech and robustness to degradations produced by transmission over a telephone channel. A complete experimental evaluation of the Gaussian mixture speaker model is conducted on a 49 speaker, conversational telephone speech database. The experiments examine algorithmic issues (initialization, variance limiting, model order selection), spectral variability robustness techniques, large population performance, and comparisons to other speaker modeling techniques (uni-modal Gaussian, VQ codebook, tied Gaussian mixture, and radial basis functions). The Gaussian mixture speaker model attains 96.8% identification accuracy using 5 second clean speech utterances and 80.8% accuracy using 15 second telephone speech utterances with a 49 speaker population and is shown to outperform the other speaker modeling techniques on an identical 16 speaker telephone speech task.
机译：本文介绍并激励使用高斯混合模型（GMM）进行鲁棒的与文本无关的说话人识别。 GMM的各个高斯分量显示为代表一些通用的依赖于说话者的频谱形状，这些形状对于建模说话者身份非常有效。这项工作的重点是在需要高识别率的应用中，从不受约束的对话语音和鲁棒性到通过电话信道传输所产生的降级，使用短发声。高斯混合说话者模型的完整实验评估是在49个说话者的对话电话语音数据库上进行的。实验检查了算法问题（初始化，方差限制，模型顺序选择），频谱可变性鲁棒性技术，较大的总体性能以及与其他扬声器建模技术（单模高斯，VQ码本，高斯混合和径向基函数）的比较。高斯混合说话者模型使用5秒的纯净语音达到了96.8％的识别准确度，使用49位说话者的15秒电话语音则达到了80.8％的识别准确率，并且在相同的16个说话者电话语音任务上，其表现优于其他说话者建模技术。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号