用于SVM话者模型训练的冒认话者选取  

Impostor Selection for SVM Models Training in Speaker Verification

作　　者：刘明辉[1,2] 黄中伟[1] 戴蓓蒨[2] 熊继平[3] 

机构地区：[1]深圳大学语音实验室,深圳518060 [2]中国科学技术大学电子科学与技术系,合肥230027 [3]浙江师范大学数理与信息工程学院,金华321004

出　　处：《计算机工程》2009年第16期4-6,共3页Computer Engineering

基　　金：国家自然科学基金资助项目(60272039);深圳市残联培训经费基金资助项目;深圳大学科研启动基金资助项目(200811)

摘　　要：在基于支持向量机(SVM)的文本无关的说话人确认中,为提高SVM话者模型的训练效率和区分性能,提出2种基于高斯混合模型(GMM)的冒认话者选取方法——通过GMM概率评分,为每个目标说话人选取最接近的话者作为冒认话者用于SVM话者模型的训练,不仅提高模型的训练效率,而且提高SVM模型的区分性,有效地改进系统性能。在NIST’04 1side-1side数据库上的实验表明该方法的有效性。In text-independent Support Vector Machine（SVM） speaker verification, impostor selection for SVM training directly determines its efficiency and performance. This paper proposes two Gaussian Mixture Model（GMM）-based methods for impostor selection. By GMM likelihoods, the most similar impostors to the target speaker are selected for SVM training, which makes the target speaker models more discriminative. Experiments on text-independent SVM speaker verification in NIST＇04 1 side-1 side data show significant improvement.

关 键 词：说话人确认 支持向量机 冒认话者选取 高斯混合模型 

分 类 号：TN912.34[电子电信—通信与信息系统]