Analyse en Composante Principale pour l’extraction des i-vecteurs en vérification du locuteur (Principal Component Analysis for i-vector extraction in speaker verification.) [in French]

Actes de la conférence conjointe JEP-TALN-RECITAL 2012, volume 1: JEP, pages 297–304, Grenoble, 4 au 8 juin 2012. c ⃝2012 ATALA & AFCP Analyse en Composante Principale pour l’extraction des i-vecteurs en vérification du locuteur Anthony Larcher1 Pierre-Michel Bousquet2 Driss matrouf2 Jean-Francois Bonastre2 (1) Institute for Infocomm Research, A*Star, Singapour (2) Université d’Avignon - -CERI - LIA alarcher@i2r.a-star.edu.sg RÉSUMÉ Nous proposons une alternative aux méthodes état-de-l’art développées récemment pour la vérifi- cation du locuteur dans le cadre du paradigme de Variabilité Totale. Les expériences présentées montrent que l’utilisation de l’Analyse en Composante Principale (ACP) en remplacement du Factor Analysis (FA), pour la réduction de dimension des super-vecteurs, peut amener a des performances équivalentes. Ainsi l’extraction des i-vecteurs selon le critère du Maximum de Vraisemblance en utilisant la matrice des vecteurs propres obtenus par une ACP permet de surpasser un système état-de-l’art combinant Factor Analysis et Analyse Discriminante Linéaire Probabiliste dans 3 des 8 conditions de NIST-SRE08. Nous montrons également que des i-vecteurs obtenus par simple projection orthogonale sur la matrice produite par ACP peuvent surpasser l’approche état-de-l’art dans deux des conditions évaluées. Les résultats présentés dans cet article illustrent le potentiel d’une approche déterministe pour la vérification du locuteur. ABSTRACT Principal Component Analysis for i-vector extraction in speaker verification. In this work, we propose alternative algorithmic combinations for speaker verification based on the Total Variability paradigm. Experiments presented in this paper show that replacing Factor Analysis (FA) by a Principal Component Analysis (PCA) for super-vector dimensionality reduction can lead to state-of-the-art performance. Extracting the i-vectors according to the Maximum Likelihood criteria when using an Eigen Vector matrix resulting from a PCA outperforms a state-of-the-art system based on Factor Analysis and Probabilistic Linear Discriminant Analysis in 3 conditions of the NIST-SRE08 evaluation over 8. Computation of i-vectors by an orthognonal projection on the PCA matrix is also shown to outperform the state-of-the-art configuration in 2 of the 8 conditions. The results presented in this paper illustrate the potential of a Deterministic approach for speaker verification. MOTS-CLÉS : Vérification du locuteur, I-vecteurs, Réduction de dimension. KEYWORDS: Speaker verification, I-vectors, Dimension reduction. 297 1 Introduction La vérification automatique du locuteur est le procédé biométrique qui consiste à authentifier une personne en utilisant l’information portée par sa voix. Durant une phase appelée enrôlement, un utilisateur fournit au système un échantillon de sa voix qui sera utilisé pour des comparaisons ultérieures. Durant une seconde phase, appelée test, les systèmes état-de-l’art, qui reposent sur Numerisation Parametrisation Reduction de dimension Classification Reduction temporelle signal acoustique signal numerique vecteurs acoustiques super- vecteur i-vecteur score FIGURE 1 – Structure d’un système de vérification du locuteur suivant le paradigme de l’espace de Variabilité Totale. le paradigme de l’espace de Totale Variabilité introduit par (Dehak et al., 2011), suivent une structure en cinq étapes décrite par la Figure 1. 1. Numérisation du signal acoustique ; 2. Paramétrisation : les informations utiles sont extraites du flux de données sous la forme d’une série de vecteurs de durée variable appelés paramètres acoustiques ; …

Content truncated to 500 words