تایید هویت گویندۀ مقاوم به شرایط تلفنی با استفاده از شبکۀ عصبی تاخیر زمانی

در این تحقیق الگوی شبکۀ عصبی تاخیر زمانی و بردار- x به منظور مقاوم سازی در برابر نوفه و صافی کردن (فیلترینگ) بسامدی ناشی از ارتباط تلفنی ارایه گردیده است. از ضرایب کپسترال بسامد مل به عنوان ویژگی صوتی مرتبط با گوینده به عنوان ورودی این الگو استفاده شده است. خروجی شبکۀ عصبی این الگو به‌صورت یک بردار-  xدر نظر گرفته شده است تا بتواند در مرحلۀ تصمیم‌ گیری از آن استفاده شود. در مرحلۀ تصمیم‌ گیری از تحلیل تفکیک خطی احتمالاتی به‌منظور امتیازدهی و مقایسه استفاده شده است. به‌منظور افزایش دقت و کاهش نرخ خطای برابر، داده‌ های آموزشی ترکیبی از دادگان نسبتاً تمیز وُکس‌سِلِب‌1، 2 و دادگان تلفنی کال‌هوم و هم‌چنین دادگان نوفه‌ای و تلفنی به‌دست آمده از روش داده‌افزایی هستند. نتایج حاصل از به‌کارگیری این شیوه برای نرخ خطای برابر در حالت تمیز 3/09 درصد است که نسبت به الگو های پایه در بدترین حالت در حدود 0/15 درصد (3/24 درصد در کارهای پیشین به‌ دست آمده است) و در بهترین حالت 6/93 درصد (10/2 درصد در کارهای پیشین به ‌دست آمده است) بهبود یافته است. در زمانی که آموزش با دادگان وُکس‌سِلِب‌1، 2 و دادگان کال‌هوم به عنوان تطبیق استفاده شده است، نرخ خطای برابر معادل 4/95 درصد به‌دست آمده است. در بدترین حالت زمانی که فقط دادگان وُکس‌سِلِب1 به تلفنی تبدیل شده، نرخ خطای برابر معادل با 14/34 درصد شده است.

telephone robustness speaker verification using time delay neural network

in this research, tdnn model and x-vector are presented in order to robust noise and frequency filtering caused by telephone communication. mfcc is used as the speaker-related audio feature as input to this model. the output of neural network of this model is considered as an x-vector so that it can be used in the decision stage. in the decision stage, plda was used for scoring and comparison. in order to increase accuracy and reduce eer, the training dataset is a combination of relatively clean voxceleb 1,2 dataset and callhome telephone dataset, as well as noise and telephone dataset obtained from the data augmentation method. the results of using this method for eer in the clean state are 3.09%, which has improved about 0.15% (3.24% has been obtained in previous works) in the worst case and 6.93% (10.2% has been obtained in previous works) in the best case compared to the base models. when training with voxceleb1,2 and callhome datasets was used as an adaptation, the eer was 4.95%. in the worst case, when only the voxceleb1 data is converted to a telephone, the eer is 14.34%.