論文の概要: Neural PLDA Modeling for End-to-End Speaker Verification

• arxiv url: http://arxiv.org/abs/2008.04527v1
• Date: Tue, 11 Aug 2020 05:54:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 10:54:22.182894
• Title: Neural PLDA Modeling for End-to-End Speaker Verification
• Title（参考訳）: 終端話者検証のためのニューラルPLDAモデリング
• Authors: Shreyas Ramoji, Prashant Krishnan, Sriram Ganapathy
• Abstract要約: ニューラルPLDA(NPLDA)と呼ばれる話者検証におけるバックエンドモデリングのためのニューラルネットワークアプローチを提案する。 本稿では,NPLDAネットワークと組込みニューラルネットワーク(xベクトルネットワーク)をエンドツーエンドで共同最適化するために,本研究を拡張した。 提案したE2Eモデルは,xベクトルPLDAベースライン話者検証システムよりも大幅に改善されていることを示す。
• 参考スコア（独自算出の注目度）: 40.842070706362534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning models have made significant advances in supervised classification problems, the application of these models for out-of-set verification tasks like speaker recognition has been limited to deriving feature embeddings. The state-of-the-art x-vector PLDA based speaker verification systems use a generative model based on probabilistic linear discriminant analysis (PLDA) for computing the verification score. Recently, we had proposed a neural network approach for backend modeling in speaker verification called the neural PLDA (NPLDA) where the likelihood ratio score of the generative PLDA model is posed as a discriminative similarity function and the learnable parameters of the score function are optimized using a verification cost. In this paper, we extend this work to achieve joint optimization of the embedding neural network (x-vector network) with the NPLDA network in an end-to-end (E2E) fashion. This proposed end-to-end model is optimized directly from the acoustic features with a verification cost function and during testing, the model directly outputs the likelihood ratio score. With various experiments using the NIST speaker recognition evaluation (SRE) 2018 and 2019 datasets, we show that the proposed E2E model improves significantly over the x-vector PLDA baseline speaker verification system.
• Abstract（参考訳）: ディープラーニングモデルは、教師付き分類問題において大きな進歩を遂げてきたが、これらのモデルの話者認識などのアウトオブセット検証タスクへの応用は、特徴埋め込みの導出に限られている。 最先端のXベクトルPLDAベースの話者検証システムは、確率線形判別分析(PLDA)に基づく生成モデルを用いて検証スコアを計算する。 近年,ニューラルPLDA(NPLDA)と呼ばれる話者検証において,生成PLDAモデルの確率比スコアを識別的類似度関数とし,学習可能なスコア関数のパラメータを検証コストを用いて最適化する,バックエンドモデリングのためのニューラルネットワークアプローチを提案している。 本稿では,NPLDAネットワークと組込みニューラルネットワーク(xベクトルネットワーク)をエンドツーエンド(E2E)方式で共同最適化するために,本研究を拡張した。 提案したエンドツーエンドモデルは,検証コスト関数を用いて音響特性から直接最適化され,試験中は,確率比スコアを直接出力する。 NIST話者認識評価(SRE)と2019データセットを用いた様々な実験により,提案したE2Eモデルは,XベクトルPLDAベースライン話者検証システムよりも大幅に改善されていることを示す。

関連論文リスト

• Adversarial Training of Denoising Diffusion Model Using Dual Discriminators for High-Fidelity Multi-Speaker TTS [0.0]
  拡散モデルは確率論的アプローチにより高品質なデータを生成することができる。 これは、多くの時間ステップを必要とするため、生成速度が遅くなるという欠点に悩まされる。 本稿では、逆過程の分布を学習する拡散判別器と、生成されたデータの分布を学習するスペクトログラム判別器の2つの識別器を用いた音声合成モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:22:04Z)
• Factorized Neural Transducer for Efficient Language Model Adaptation [51.81097243306204]
  空白および語彙予測を分解し,ニューラルトランスデューサの因子化モデルを提案する。 この因子化は、音声認識のためのトランスデューサにスタンドアロン言語モデルの改善を移すことが期待できる。 提案した因子化ニューラルトランスデューサは、言語モデル適応にドメイン外テキストデータを使用する場合、15%から20%のWER改善が得られることを示す。
  論文  参考訳（メタデータ） (2021-09-27T15:04:00Z)
• AutoSpeech: Neural Architecture Search for Speaker Recognition [108.69505815793028]
  本稿では,AutoSpeech という名称の話者認識タスクに対して,最初のニューラルアーキテクチャ探索アプローチを提案する。 提案アルゴリズムはまず,ニューラルネットワークの最適操作の組み合わせを特定し,その後,複数回重ねてCNNモデルを導出する。 得られたCNNアーキテクチャは,モデル複雑性を低減しつつ,VGG-M,ResNet-18,ResNet-34のバックボーンに基づく現在の話者認識システムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-05-07T02:53:47Z)
• Deliberation Model Based Two-Pass End-to-End Speech Recognition [52.45841282906516]
  非ストリーミングのリステン・アテン・アンド・スペル(LAS)モデルを用いて、ストリーム仮説を再スコアする2パスモデルが提案されている。 このモデルは、第一パスのテキスト仮説のみを使用する神経矯正モデルのクラスとは対照的に、音響学で仮説を再評価する。 双方向エンコーダを用いて、ファーストパス仮説からコンテキスト情報を抽出する。
  論文  参考訳（メタデータ） (2020-03-17T22:01:12Z)
• Deep Speaker Embeddings for Far-Field Speaker Recognition on Short Utterances [53.063441357826484]
  深層話者埋め込みに基づく話者認識システムは,制御条件下での大幅な性能向上を実現している。 制御されていない雑音環境下での短い発話に対する話者検証は、最も困難で要求の高いタスクの1つである。 本稿では,a)環境騒音の有無による遠距離話者検証システムの品質向上,b)短時間発話におけるシステム品質劣化の低減という2つの目標を達成するためのアプローチを提案する。
  論文  参考訳（メタデータ） (2020-02-14T13:34:33Z)
• NPLDA: A Deep Neural PLDA Model for Speaker Verification [40.842070706362534]
  話者認識におけるバックエンドモデリングのためのニューラルネットワークアプローチを提案する。 提案モデルはニューラルPLDA(NPLDA)と呼ばれ,生成PLDAモデルパラメータを用いて最適化される。 実験では,提案した損失関数を用いて最適化されたNPLDAモデルは,最先端のPLDAベース話者検証システムよりも大幅に改善される。
  論文  参考訳（メタデータ） (2020-02-10T05:47:35Z)
• Pairwise Discriminative Neural PLDA for Speaker Verification [41.76303371621405]
  本稿では,話者検証作業のためのPairwise Neural Discriminative Modelを提案する。 我々は,話者の検証損失を近似する微分可能なコスト関数を構築した。 NIST SRE 2018の開発および評価データセット上で実験が実施されている。
  論文  参考訳（メタデータ） (2020-01-20T09:52:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。