基於i-vector与PLDA并使用GMM-HMM强制对位之自动语者分段标记.PDFVIP

The 2017 Conference on Computational Linguistics and Speech Processing ROCLING 2017, pp. 119-135  The Association for Computational Linguistics and Chinese Language Processing 基於 i-vector 與 PLDA 並使用 GMM-HMM 強制對位之 自動語者分段標記系統 Speaker Diarization based on I-vector PLDA Scoring and using GMM-HMM Forced Alignment 張乘若 1 Cheng-Jo Ray Chang 2 李鴻欣 Hung-Shin Lee 2 王新民 Hsin-Min Wang 張智星 Jyh-Shing Roger Jang1 1 國立台灣大學資訊工程學系 Department of Computer Science and Information Engineering, National Taiwan University 2 中央研究院資訊科學研究所 Institute of Information Science, Academia Sinica 摘要 近年來，i-vector 搭配PLDA （Probability Linear Discriminant Analysis ）的系統已經 在自動語者分段標記（Speaker Diarization ）的研究上獲得了很好的結果。不過 ，由於i- vector 需要由較長的音訊片段抽取出來才具有較佳的語者特性，所以較無法有效地處理 時間極短的語句區段。為此，本論文提出一個新的自動語者分段標記框架：先由K 平均 （K-means ）演算法得到初步的自動語者分段標記結果，並據此建立初步語者模型，再 配合利用GMM-HMM （Gaussian Mixture Models-Hidden Markov Models ）進行強制對位 （Forced Alignment ）以及語者分群（Speaker Clustering ）來進行自動語者分段標記 。從 實驗上我們可以發現 ，雖然單獨利用GMM-HMM 語者分群並未比使用GMM-HMM 強 制對位所得到的召回率（Recall ）以及精準率（Precision ）來得好，但是利用GMM-HMM 語者分群的結果再重新進行 GMM-HMM 強制對位卻可以得到較好的召回率以及精準 率，故由GMM-HMM 語者分群以得到更細小的語者說話區段對自動語者分段標記的問 題是有幫助的。此外，這篇論文也探討針對不同時間長度的音訊片段對自動語者分段標 記的影響。 關鍵字：自動語者分段標記，I-vector ，PLDA ，GMM-HMM ，強制對位，語者分群 119 一、緒論 隨著時代不斷的演進，人們在處理語音的技術也愈來愈成熟。就拿語者辨識 （Speaker Recognition ）的領域來講，從當初使用藉著高斯混合模型（Gaussian Mixture Models, GMM ）[1] 來建立廣義背景模型 （Universal Background Models, UBM ），及至聯 合因素分析（Joint Factor Analysi