Key points are not available for this paper at this time.
La vérification robuste des locuteurs sur de courtes énonciations reste une considération clé lors du déploiement de la reconnaissance automatique des locuteurs, car de nombreuses applications du monde réel n'ont souvent accès qu'à des données vocales de durée limitée. Cet article explore comment les technologies récentes axées sur la modélisation de la variabilité totale se comportent lorsque les longueurs des énonciations d'entraînement et de test sont réduites. Des résultats sont présentés, fournissant une comparaison entre l'Analyse des Facteurs Communs (JFA) et les systèmes basés sur i-vecteurs incluant diverses techniques de compensation ; Normalisation de la Covariance Intraclass (WCCN), LDA, Projection des Attributs de Nuisance par Différence de Dispersion (SDNAP) et Analyse Discriminante Linéaire Probabiliste Gaussienne (GPLDA). La performance de vérification des locuteurs pour des énonciations ne contenant que 2 secondes de données provenant des Evaluations de Reconnaissance de Locuteurs NIST est présentée pour fournir une image plus claire des caractéristiques de performance actuelles de ces techniques dans des conditions de courtes énonciations.
Kanagasundaram et al. (Sat,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: