Kaldi中说话人识别打分流程

参考脚本：egs/voxceleb/v2

提取Xvector

假设我们已经完成了train.sh的训练，并生成了相应的模型数据，诸如：final.raw,mean.vec.plda.transform.mat等

确认必要文件存在

模型目录下须有final.raw、min_chunk_size、max_chunk_size
数据目录下须有feats.scp、vad.scp

根据final.raw和extract.config生成新的网络

extract.config文件中只有1行：output-node name=output input=tdnn6.affine，表示以第6层作为提取层，该文件是在local/nnet3/xvector/run_xvector.sh脚本stage7中设置的
final.raw：顾名思义，是训练网络后的最终产物，通过nnet3-info fianl.raw可以查看具体配置

工具：/src/nnet3bin/nnet3-copy

按speaker划分文件

在注册enroll与验证test目录下，有这些文件：feats.scp spk2utt utt2dur utt2num_frames utt2spk vad.scp wav.scp，因为是并行处理，所以需要根据设定的nj数将数据分块。

工具：utils/split_scp.pl、utils/utt2spk_to_spk2utt.pl

1）用utils/split_scp.pl将utt2spk分在split40/目录下的40个子文件夹下，每个speaker的所有utt必须都在同一个文件夹下
2）用utils/utt2spk_to_spk2utt.pl将各目录下的utt2spk转化为spk2utt（因为没有以speaker为索引的文件，所以这步可以省略）
根据子目录下的utt2spk，以utt为索引，生成各自的feats.scp spk2utt utt2dur utt2num_frames vad.scp wav.scp

提取MFCC

工具：/src/featbin/apply-cmvn-sliding、/src/ivectorbin/select-voiced-frames
将每个子目录下的feats.scp文件进行CMVN与VAD（根据各自目录下的vad.scp文件）

提取xvector

工具：/src/nnet3bin/nnet3-xvector-compute
根据nnet网络和MFCC，提取出每个子目录下的xvector并放至模型文件夹下

聚合xvector并按speaker拆分

工具：/src/ivectorbin/ivector-mean
将所有utt的xvector都集中在xvector.scp中，并根据spk2utt取每个人的均值xvector，存放于spk_xvector.{scp,ark}，并得到num_utts.ark文件，该文件记录每个说话人的utt数目

PLDA打分

准备PLDA模型

复制train目录下的PLDA模型，并对类内协方差进行平滑处理
工具：/src/ivectorbin/ivector-copy-plda

去中心化

对xvector去均值处理，均值使用mean.vec
工具：/src/ivectorbin/ivector-subtract-global-mean

向量投影

对去均值后的向量进行投影以最大化类间差距，投影矩阵为transform.mat
工具：/src/bin/transform-vec

向量长度归一化

工具：/src/ivectorbin/ivector-normalize-length

计算相似度

注册用的是spk_xvector.scp，也就是每个人的均值xvector（模型），但是测试使用的是xvector.scp，也就是每句话的xvector，比较两个向量与plda模型的相似度
工具：/src/ivectorbin/ivector-compute-lda

流程图整理如下：