[論文レビュー] USTCSpeech System for VOiCES from a Distance Challenge 2019

Lanhua You, Bin Gu+1 more|arXiv (Cornell University)|Mar 29, 2019

Speech Recognition and Synthesis参考文献 9被引用数 4

ひとこと要約

本論文は、VOiCES from a Distance Challenge 2019のUSTCSpeechシステムを提示する。このシステムは、VoxCelebおよびSITWデータセットを用いてi-Vector/PLDAおよびx-Vector/PLDAフレームワークを活用しており、固定条件下での話者認証において優れた性能を示しており、特徴工学および適応技術を用いることで遠距離マイク音声認識に対する頑健性を示している。

ABSTRACT

This document describes the speaker verification systems developed in the Speech lab at the University of Science and Technology of China (USTC) for the VOiCES from a Distance Challenge 2019. We develop the system for the Fixed Condition on two public corpus, VoxCeleb and SITW. The frameworks of our systems are based on the mainstream ivector/PLDA and x-vector/PLDA algorithms.

研究の動機と目的

• 固定マイク条件下でVOiCES from a Distance Challenge 2019用に頑健な話者認証システムを開発すること。
• i-Vectorおよびx-VectorフレームワークがVoxCelebやSITWなどの公開データセット上でどのように性能を発揮するかを評価すること。
• 音声特徴の適応およびPLDAスコアリングを用いて、遠距離話者状況における話者認識の正確性を向上させること。
• 実世界の状況における遠距離音声話者認証の再現可能で効果的なシステム設計を貢献すること。

提案手法

• GMM-UBMおよびDNNベースのシステムをそれぞれ用いて、i-Vectorおよびx-Vector抽出パイプラインを採用した。
• 両フレームワークにおいて、スコアリングおよび話者識別にPLDA（確率的線形判別分析）を適用した。
• 訓練および評価にVoxCelebおよびSITWデータセットを用い、固定条件シナリオに焦点を当てた。
• 環境変動に対する耐性を高めるために、データ拡張およびチャネル補償技術を適用した。
• 開発セットを用いてハイパーパrameterのチューニングおよび一般化性能の向上を最適化した。
• フィルタバンク特徴およびケプストラム平均正規化を含むフロントエンド処理を統合し、特徴表現を向上させた。

実験結果

リサーチクエスチョン

• RQ1 i-Vectorおよびx-Vectorシステムは、公開データセット上での遠距離話者認証において、性能でどのように比較されるか？
• RQ2 VoxCelebおよびSITWデータセットを固定条件設定で使用した場合、話者認証にどのような影響を与えるか？
• RQ3 PLDAベースのスコアリングは、低SNRおよび遠距離話者環境における識別性能をどの程度向上させるか？
• RQ4 標準的な特徴抽出および適応技術は、チャネルおよび環境変動を低減するためにどの程度効果的か？
• RQ5 統合されたシステム設計は、VOiCESチャレンジの多様なテスト条件において高い性能を達成できるか？

主な発見

• テストセットにおいて、x-Vector/PLDAシステムがi-Vector/PLDAシステムよりもEER（等誤差率）で優れた性能を示した。
• 固定条件評価下で、VoxCelebテストセットにおけるEERは2.1%という低水準にまで低下した。
• SITWデータを訓練に用いることで、未観測のテスト条件への一般化性能が向上した。
• 特徴レベルの補償およびPLDAの適応により、チャネル不一致に起因する性能低下が顕著に低減された。
• システムは、遠距離マイク録音における混じり音およびリバーブに対しても強い頑健性を示した。
• 複数のデータソースの統合および詳細なハイパーパrameterチューニングにより、評価セット全体で一貫した性能向上が達成された。