Neural network i向量和d向量之间的差异
有人能解释一下i向量和d向量的区别吗？关于它们，我所知道的只是它们在说话人/语音识别系统中被广泛使用，它们是一种表示说话人信息的模板，但我不知道主要区别。我不知道如何用普通语言正确描述d向量，但我可以帮点忙 身份向量，或i-vector，是特定语音片段的频谱特征，通常是音素的一小部分，很少（据我所见）像整个音素那么大。基本上，它是一个离散谱图，以一种与时间片的高斯混合形式同构的形式表示 编辑 感谢那些提供意见和优秀答案的人。我更新它只是为了替换我最初尝试的错误信息Neural network i向量和d向量之间的差异,neural-network,artificial-intelligence,speech-recognition,deep-learning,Neural Network,Artificial Intelligence,Speech Recognition,Deep Learning,有人能解释一下i向量和d向量的区别吗？关于它们，我所知道的只是它们在说话人/语音识别系统中被广泛使用，它们是一种表示说话人信息的模板，但我不知道主要区别。我不知道如何用普通语言正确描述d向量，但我可以帮点忙 身份向量，或i-vector，是特定语音片段的频谱特征，通常是音素的一小部分，很少（据我所见）像整个音素那么大。基本上，它是一个离散谱图，以一种与时间片的高斯混合形式同构的形式表示 编辑 感谢那些提供意见和优秀答案的人。我更新它只是为了替换我最初尝试的错误信息 从深度NN（DNN的最终隐藏层
从深度NN（DNN的最终隐藏层中的特征向量的平均值）中提取d向量。这将成为说话人的模型，用于与其他语音样本进行比较以进行识别。I-vector是一种表示帧级特征分布模式的特殊特征的特征。I向量提取本质上是GMM超向量的降维（尽管计算I向量时未提取GMM超向量）。它以与特征语音自适应方案或JFA技术类似的方式提取，但按句子（或输入语音样本）提取 另一方面，使用DNN提取d向量。为了提取d向量，需要训练一个DNN模型，该模型采用堆叠的滤波器组特征（类似于ASR中使用的DNN声学模型），并在输出上生成一个热说话人标签（或说话人概率）。D向量是该DNN最后一个隐藏层的平均激活。因此，与i-vector框架不同，它没有任何关于特征分布的假设（i-vector框架假设i-vector或潜在变量具有高斯分布） 总之，这是从完全不同的方法或假设中提取的两个截然不同的特征。我建议您阅读以下文件： N.Dehak，p.Kenny，R.Dehak，p.Dumouchel和p.Ouellet，“说话人验证的前端因素分析”，IEEE音频、语音和语言处理交易，第19卷，第4期，第788-798页，2011年
E.Variani，X.Lei，E.McDermott，I.L.Moreno和J.G-Dominguez，“用于小足迹文本相关说话人验证的深度神经网络”，在Proc。ICASSP，2014，第4080-4084页。我绝对不同意d向量是从I向量序列中提取出来的说法。d-向量是从（d）NN模型中提取的，i-向量是从GMM模型中提取的。我同意，i-向量的解释很好，但d-向量的解释是错误的，根据E.Variani，X.Lei，E.McDermott，i.L.Moreno和J.G-Dominguez，“用于小足迹文本相关说话人验证的深度神经网络”，在Proc。ICASSP，2014，第4080-4084页。什么是
帧级语音帧