i-vector和d-vector之间的区别

Question

有人可以解释i-vector和d-vector之间的区别吗？我所知道的是他们广泛用于说话人/语音识别系统，他们是表达说话人信息的模板，但我不知道主要区别。

Answer 1

我不知道如何用简单的语言正确表征d矢量，但我可以帮助一点点。

身份向量或i-vector，是一个特定语音片段的频谱特征，通常是音素的一个音素，很少（据我所知）与整个音素一样大。基本上，这是一个离散谱图，以与时间片的高斯混合同构的形式表达。

A d-矢量从i-矢量序列中提取，并且可以用于可靠地将声音片段与其来源进行匹配 - 例如识别谁说出给定的短语。

Answer 2

I向量是表示帧级别特征的分布模式的特质特征的特征。 I矢量提取本质上是GMM超向量的降维（虽然在计算i向量时不提取GMM超向量）。它用本征语音自适应方案或JFA技术以类似的方式提取，但是每个句子（或输入语音样本）被提取。

另一方面，使用DNN提取d向量。为了提取d向量，需要采用叠加滤波器组特征的DNN模型（类似于ASR中使用的DNN声学模型），并且在输出上生成单热话筒标签（或话者概率）。 D矢量是来自该DNN的最后隐藏层的平均激活。因此，与i矢量框架不同，它没有任何有关特征分布的假设（i矢量框架假定i矢量或潜变量具有高斯分布）。

所以总之，这些是从完全不同的方法或假设中提取的两个不同的特征。我推荐你阅读这些论文：

N.Dehak，P.Kenny，R.Dehak，P.Dumouchel，and P.Ouellet，“Front-end factor analysis for speaker verification”，IEEE Transactions on Audio，Speech ，和语言处理，第一卷。 19，没有。 4，pp。788-798，2011.

E. Variani，X. Lei，E. McDermott，IL Moreno和J. G-Dominguez，“Deep neural networks for small footprint text-dependent speaker verification”，在Proc。 ICASSP，2014，第4080-4084页。