d-vector声纹识别基础

声纹识别之GMM-UBM系统框架简介

https://blog.csdn.net/weixin_38206214/article/details/81084456

声纹识别之I-Vector

https://blog.csdn.net/weixin_38206214/article/details/81096092

• d-vector

DNN训练好后，提取每一帧语音的Filterbank Energy 特征作为DNN输入，从Last Hidden Layer提取Activations，L2正则化，然后将其累加起来，得到的向量就被称为d-vector。如果一个人有多条Enroll语音，那么所有这些d-vectors做平均，就是这个人的Representation。DNN的网络结构如图1.2所示。

图1.2 用于提取d-vector的DNN模型

因为d-vector是从Last Hidden Layer提取的，通过移除Softmax Layer，可以缩减Model Size。而且，这也可以让我们在不改变Model Size的情况下，在训练过程中使用更多的说话人数据来做训练（因为Softmax Layer被移除了，不用考虑Softmax Layer的节点数）。DNN的训练过程，可以详细阅读参考文献[3]。

max-out层

https://www.bbsmax.com/A/QW5Yxl1MJm/