Detail publikace

Development of ABC systems for the 2021 edition of NIST Speaker Recognition evaluation

ALAM, J.; BURGET, L.; GLEMBEK, O.; MATĚJKA, P.; MOŠNER, L.; PLCHOT, O.; ROHDIN, J.; SILNOVA, A.; STAFYLAKIS, T. Development of ABC systems for the 2021 edition of NIST Speaker Recognition evaluation. Proceedings of The Speaker and Language Recognition Workshop (Odyssey 2022). Beijing: International Speech Communication Association, 2022. p. 346-353.
Název česky
Vývoj ABC systémů pro ročník 2021 NIST evalulace systémů pro rozpoznávání mluvčího
Typ
článek ve sborníku konference
Jazyk
anglicky
Autoři
Alam Jahangir
Burget Lukáš, doc. Ing., Ph.D. (UPGM)
Glembek Ondřej, Ing., Ph.D.
Matějka Pavel, Ing., Ph.D. (UPGM)
Mošner Ladislav, Ing. (UPGM)
Plchot Oldřich, Ing., Ph.D. (UPGM)
Rohdin Johan Andréas, M.Sc., Ph.D. (UPGM)
Silnova Anna, M.Sc., Ph.D. (UPGM)
Stafylakis Themos
a další
URL
Klíčová slova

ověření mluvčího, rozpoznávání, evaluace

Abstrakt

V tomto příspěvku poskytujeme popis týmu ABC společné úsilí o rozvoj ověřování mluvčího systémy pro NIST Speaker Recognition Evaluation 2021 (NITSRE2021). Dvěma hlavními jsou mezijazyčné studie a studie napříč datovými soubory výzvy představené v NIST-SRE2021. Příspěvky ABC tým jsou výsledkem aktivní spolupráce výzkumníků z VUT, CRIM, Omilia a Innovatrics. Zúčastnili jsme se všech tří blízkých podmínek stopy pro pouze audio, audio-vizuální a vizuální ověření úkoly. Naše systémy pouze pro audio se řídí hlubokými reproduktory (např. x-vektory) s následným skórovacím paradigmatem PLDA. Jako vložení extraktoru vybíráme některé varianty zbytkové neuronové sítě (ResNet), neuronová síť s faktorovaným časovým zpožděním (FTDNN) a Architektury hybridních neuronových sítí (HNN). Vložení HNN extraktor využívá sítě CNN, LSTM a TDNN a zahrnuje víceúrovňová metoda sdružování globálních místních statistik v pořádku agregovat informace o mluvčích v krátkém časovém období a kontext na úrovni výpovědi. Naše pouze vizuální systémy jsou založeny na předem vyškolených extraktory embeddingu využívající některé varianty ResNet a bodování je založeno na kosinové vzdálenosti. Při vývoji an audio-vizuální systém, jednoduše pojistíme výstupy nezávislého audia a vizuální systémy. Naše finální předložené systémy jsou získány provedením fúze na úrovni skóre subsystémů následované skóre kalibrace.

Rok
2022
Strany
346–353
Sborník
Proceedings of The Speaker and Language Recognition Workshop (Odyssey 2022)
Vydavatel
International Speech Communication Association
Místo
Beijing
DOI
10.21437/Odyssey.2022-48
BibTeX 
@inproceedings{BUT179689,
  author="Jahangir {Alam} and Lukáš {Burget} and Ondřej {Glembek} and Pavel {Matějka} and Ladislav {Mošner} and Oldřich {Plchot} and Johan Andréas {Rohdin} and Anna {Silnova} and Themos {Stafylakis}",
  title="Development of ABC systems for the 2021 edition of NIST Speaker Recognition evaluation",
  booktitle="Proceedings of The Speaker and Language Recognition Workshop (Odyssey 2022)",
  year="2022",
  pages="346--353",
  publisher="International Speech Communication Association",
  address="Beijing",
  doi="10.21437/Odyssey.2022-48",
  url="https://www.isca-speech.org/archive/pdfs/odyssey_2022/alam22_odyssey.pdf"
}
Nahoru