[논문 리뷰] USTCSpeech System for VOiCES from a Distance Challenge 2019

Lanhua You, Bin Gu외 1명|arXiv (Cornell University)|2019. 03. 29.

Speech Recognition and Synthesis참고 문헌 9인용 수 4

한 줄 요약

이 논문은 VOiCES from a Distance Challenge 2019를 위한 USTCSpeech 시스템을 제시하며, VoxCeleb 및 SITW 데이터셋을 기반으로 i-Vector/PLDA 및 x-Vector/PLDA 프레임워크를 활용한다. 고정 조건 하에서의 화자 인식 성능이 뛰어나며, 철저한 특징 공학 및 적응 기법을 통해 원거리 마이크로 음성 인식의 강건성을 입증한다.

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.

연구 동기 및 목표

• 고정 마이크로폰 조건 하에서 VOiCES from a Distance Challenge 2019에 대응하는 강건한 화자 인식 시스템을 개발하기 위해.
• i-Vector 및 x-Vector 프레임워크가 VoxCeleb 및 SITW와 같은 공개 데이터셋에서 어떻게 성능을 내는지 평가하기 위해.
• 음성 특징 적응 및 PLDA 스코링을 통해 원거리 대화 상황에서의 화자 인식 정확도를 향상시키기 위해.
• 실제 환경에서 원거리 음성 화자 인식을 위한 재현 가능하고 효과적인 시스템 설계를 기여하기 위해.

제안 방법

• GMM-UBM 및 DNN 기반 시스템을 각각 사용하여 i-Vector 및 x-Vector 추출 파이프라인을 구현하였다.
• 양 프레임워크에서 스코링 및 화자 분류를 위해 PLDA(확률적 선형 판별 분석)를 적용하였다.
• 학습 및 평가를 위해 VoxCeleb 및 SITW 데이터셋을 사용하였으며, 고정 조건 시나리오에 집중하였다.
• 환경 변화에 대한 강건성을 향상시키기 위해 데이터 증강 및 채널 보정 기법을 적용하였다.
• 개발 세트를 활용하여 하이퍼파rameter를 튜닝하고 일반화 능력을 향상시키기 위해 시스템을 최적화하였다.
• 개선된 특징 표현을 위해 필터뱅크 특징 및 서플러스터널 평균 정규화를 포함한 프론트엔드 처리를 통합하였다.

실험 결과

연구 질문

• RQ1 공개 데이터셋에서 원거리 음성 화자 인식에 대해 i-Vector 및 x-Vector 시스템의 성능를 비교하면 어떻게 되는가?
• RQ2 VoxCeleb 및 SITW 데이터셋을 고정 조건 설정에서 사용할 경우 화자 인식에 어떤 영향을 미치는가?
• RQ3 PLDA 기반 스코링은 저 SNR, 원거리 대화 환경에서 분류 성능 향상에 얼마나 기여하는가?
• RQ4 표준 특징 추출 및 적응 기법은 채널 및 환경 변동성을 줄이는 데 얼마나 효과적인가?
• RQ5 통합된 시스템 설계는 VOiCES 챌린지의 다양한 테스트 조건에서 높은 성능을 달성할 수 있는가?

주요 결과

• 테스트 세트에서 x-Vector/PLDA 시스템이 i-Vector/PLDA 시스템보다 EER(Equal Error Rate) 측면에서 뛰어난 성능을 보였다.
• 고정 조건 평가 하에서 VoxCeleb 테스트 세트에서 EER이 2.1%로 매우 낮게 기록되었다.
• SITW 데이터를 학습에 활용함으로써 미리 보지 않은 테스트 조건에 대한 일반화 능력이 향상되었다.
• 특징 수준의 보정 및 PLDA 적응이 채널 불일치로 인한 성능 저하를 크게 감소시켰다.
• 원거리 마이크로 기록된 음성에서 리버버버션 및 노이즈에 대해 강건한 성능을 보였다.
• 다양한 데이터 소스 통합 및 철저한 하이퍼파rameter 튜닝이 평가 세트 전반에 걸쳐 일관된 성능 향상을 이끌어냈다.