Antoine Legrand. GLDS kernels in speaker-ID. CSI Seminar 0819 July 2008 Antoine Legrand. GLDS kernels in speaker-ID. CSI Seminar 0819 July 2008

In speaker verification appplications, GMM models have an important place and have shown good perfomance. Currently, linear discriminant methods using support vector machines (SVM) provide better results. We will focus on a linear disciminant system, the SVM-GLDS. Its uses statistics directly extracted from the speech features to define the recognition model without using Gaussian mixture models (GMMs). We'll present and compare SVM-GLDS performance to SVM-GMM on NIST speaker evaluation tasks.

Dans la reconnaissance du locuteur, les modèles GMM occupent une place très importante dans le développement des systèmes performants. Les méthodes de discrimination linéaire à base de SVM donnent actuellement de meilleurs résultats. On s'intéressera ici à un système de discriminant linéaire (le SVM-GLDS). Celui-ci utilise directement, sans passer par un modèle GMM, des statistiques issues de l'ensemble des paramètres de la parole pour définir le modèle de reconnaissance. On évaluera les performances d'un tel système sur la base de données NIST-SRE en le comparant avec les autres systèmes à base de SVM-GMM.

• Legrand2008-Report.pdf (in work)

to top