关于说话人识别最优分数的评述
机器学习
2020-11-02 v2 人工智能
多媒体
声音
机器学习
摘要
本文中，我们首先建立说话人识别最优分数的理论。我们的分析表明，说话人辨认与说话人确认任务的最小贝叶斯风险(MBR)决策均可基于归一化似然(NL)。当底层生成模型为线性高斯时，NL分数在数学上等价于 PLDA 似然比，且基于余弦距离与欧氏距离的经验分数在某些条件下可视为该线性高斯 NL 分数的近似。我们讨论了 NL 分数的若干性质，并进行了简单仿真实验以展示 NL 分数的性质。
引用
@article{arxiv.2010.04862,
title = {Remarks on Optimal Scores for Speaker Recognition},
author = {Dong Wang},
journal= {arXiv preprint arXiv:2010.04862},
year = {2020}
}
备注
17 pages, 8 figures