在深度學習的路上，從頭開始瞭解一下各項技術。本人是DL小白，連續記錄我自己看的一些東西，大家可以互相交流。

論文：話者確認中信道和時長失配補償研究_胡羣威

本來今天是要學習i-vector的，但是在學習過程中，發現缺乏了關於聲紋識別的一個重要前置條件，所以先講一下GMM-UBM系統框架。

這篇內容乾貨不多，主要是對聲紋識別中i-vector理解的一個前置補充，大家可以選看。

一、前言

聲紋識別，也稱做說話人識別，是一種通過聲音來判別說話人身份的技術(pretty cool, right?)。根據研究表明，聲紋雖然不如指紋、人臉這樣，個體差異明顯，但是由於每個人的聲道、口腔和鼻腔(發音要用到的器官)也具有個體差異性。因爲反映到聲音上，也是具有差異性的。就比如說，當我們在接電話的時候，通過一聲"喂"，我們就能準確的分辨出接電話的是誰，我們人耳作爲身體的接收器生來就具有分辨聲音的能力，那麼我們也可以通過技術的手段，使聲紋也可以向人臉、指紋那樣作爲“個人身份認證”的重要信息。

二、簡單說話人識別的流程

、

首先，我們來看一個典型的說話人確認系統流程圖。爲了讓計算機認識一個用戶，我們需要將目標用戶的聲音提取特徵，訓練爲一個或多個模型，存儲在我們的模型庫中。當我們在測試或實際使用中，實際上就是提取當前接收到的語音中的特徵，將其與我們模型庫中的模型進行對比判斷，最終確認誰是當前語音的說話人。因此，識別性能好壞的關鍵在於對語音中身份信息的建模能力與區分能力，同時對於身份無關的其餘信息具有充分的抗干擾能力和魯棒性。

三、GMM-UBM系統框架

在之前的文章中，我曾向大家介紹過GMM(高斯混合模型)。它將空間分佈的概率密度用多個高斯概率密度函數的加權來擬合，可以平滑的逼近任意形狀的概率密度函數，並且是一個易於處理的參數模型，具備對實際數據極強的表徵力。但反過來，GMM規模越龐大，表徵力越強，其負面效應也會越明顯：參數規模也會等比例的膨脹，需要更多的數據來驅動GMM的參數訓練才能得到一個更加通用（或稱泛化）的GMM模型。

在實際中每一個說話人的語音數據很少，這將導致無法訓練出高效的GMM模型。並且由於多通道的問題，訓練GMM模型的語音與測試語音存在失配的情況，這些因素都會降低聲紋識別系統的性能。所以機器學習的前輩們(DA Reynolds的團隊)提出了一個通用背景模型(Universal Background Model, 簡稱UBM)。我們可以用UBM和少量的說話人數據，通過自適應算法(如最大後驗概率MAP、最大似然線性迴歸MLLR等，本文選擇闡述MAP算法)來得到目標說話人模型。

GMM-UBM實際上是一種對GMM的改進方法，我們既然沒法從目標用戶那裏收集到足夠的語音，那就換一種思路，可以從其他地方收集到大量非目標用戶的聲音，我們將這些非目標用戶數據（聲紋識別領域稱爲背景數據）混合起來充分訓練出一個GMM，這個GMM可以看作是對語音的表徵，但是又由於它是從大量身份的混雜數據中訓練而成，它又不具備表徵具體身份的能力。我們可以把這種模型看作是某一個具體說話人模型的先驗模型。形象的比方就是說你準備去相親，媒人給你看了小莉的照片，你耳邊浮現的肯定是小莉各種可能的溫柔的聲音，而不是你家旺財的叫聲。這種GMM-UBM就是起到類似的作用，它對語音特徵在空間分佈的概率模型給出一個良好的預先估計，讓我們可以提前訓練GMM。然後將目標用戶的數據在這個模型上進行參數的微調即可。GMM-UBM模型最重要的優勢就是通過MAP算法對模型參數進行估計，避免了過擬合的發生，同時我們不必調整目標用戶GMM的所有參數（權重，均值，方差）只需要對各個高斯成分的均值參數進行估計，就能實現最好的識別性能。根據實驗表明，這可以讓待估的參數減少超過一半，越少的參數也意味着更快的收斂，不需要那麼多的目標用戶數據即可模型的良好訓練。