文本无关说话人确认中的一种新的评分规整方法

对于采用统一阈值的,基于高斯混合模型(GMM)的文本无关说话人确认系统,由于不同的话者模型的输出评分分布的不同,会影响到系统的确认性能,为此,需对输出评分进行规整。本文提出了一种新的评分规整方法-整体规整。整体规整同时考虑了不同测试语音和不同话者模型的差异,并在评分域做出调整,使得所有语音的输出评分具有相似的分布,从而使系统整体分类能力得以保证。在NIST’03电话语音库上进行的实验表明,采用了整体规整后的系统性能和传统的评分规整方法比较,有了明显提高。

A New Method of Score Normalization for Text-Independent Speaker Verification

When using a GMM-based text-independent speaker verification system,performance may be limited because of vari- ous output score distributions for different speaker-models and for different test segments.Taking into account these two differences,a new score normalization method,Entire normalization,is proposed.By scaling output scores,entire normalization aims to normalize all the score distributions to be similar.Experiments using entire normalization show significant improvements compared to standard normal- ization techniques.