GMM, distance entre GMMs, SVM pour la vérification du locuteur.

1. GMM, distance entre GMMs, SVM pour la vérification du locuteur. Najim Dehak Gérard Chollet

2. GMM pour la vérification du locuteur UBM Énoncé de pseudo-imposteurs Apprentissage Modèle du locuteur Adaptation Énoncé du locuteur Test Énoncé de test Score et décision

3. GMM pour la vérification du locuteur • UBM => GMM modèles • L’apprentissage à base de l’algorithme EM • Les rôles du UBM : • Adapter les modèles clients. • Normalisateur de scores dans la phase de test.

4. GMM pour la vérification du locuteur • Pourquoi faire une adaptation? • Adaptation MAP: • Scores et décision:

5. Distance entre modèles Modèle du locuteur Adaptation Énoncé du locuteur Score calculé à base de Distance & décision UBM Énoncé de pseudo-imposteurs Apprentissage Modèle du Test Adaptation Énoncé du test

6. Distance entre modèles • Divergence de Kullback-Leibler entre 2 mélange de densité:

7. Distance entre modèles • Divergence de Kullback-Leibler entre 2 GMMs: • Dans le cas de la VL avec seulement l’adaptation des moyennes des gaussiennes: • On utilisant la distance

8. Y2 P’ p Ω Y1 Distance entre modèles • Espace des modèles: D(p,p’) P’ p Ω

9. Distance entre modèles • Distance et scores de décision

10. DET curve

11. Distance entre modèles Modèle du locuteur Adaptation Énoncé du locuteur Normalisation Des modèles UBM Énoncé de pseudo-imposteurs Apprentissage Score calculé à base de Distance & décision Modèle du Test Adaptation Énoncé du test

12. Modèle initial Modèle norm Ω Distance entre modèles • Normalisation dans l’espace des modèles M-norm • Les nouvelles moyennes

13. Courbe DET

14. Distance entre modèles • Peut être appliquer pour la vérification du locuteur dans les cartes à puce. • On peut faire une normalisation on utilisant une ACP

15. SVM pour la VL • Distance entre GMMs => fonction noyau entre GMMs; • Distance => kernel • Kernel => distance

16. SVM pour la VL • Les travaux de Pedro J. Moreno et Purdy P. Ho • Avec comme distance :

17. Courbe DET

18. Courbe DET

19. SVM pour la VL • Kernel Mixture models: • Dans le cas de mélange de gaussiennes