एक्स-वेक्टर स्पीकर एंबेडिंग

एक्स-वेक्टर एक तंत्रिका नेटवर्क द्वारा उत्पादित वक्ता की आवाज के निश्चित-लंबाई वाले संख्यात्मक फिंगरप्रिंट हैं, जिनका उपयोग यह बताने के लिए किया जाता है कि कौन बोल रहा है, चाहे वे कुछ भी कहें। वे पुराने आई-वेक्टर दृष्टिकोण की जगह, स्पीकर सत्यापन और डायराइजेशन के लिए मानक प्रतिनिधित्व बन गए।

एक्स-वेक्टर एक कॉम्पैक्ट एम्बेडिंग (अक्सर कुछ सौ आयाम) है जो एक आवाज की पहचान विशेषताओं को कैप्चर करता है। यह कई अलग-अलग वक्ताओं को वर्गीकृत करने के लिए प्रशिक्षित टाइम-डिले न्यूरल नेटवर्क (टीडीएनएन) द्वारा उत्पन्न होता है। नेटवर्क कई परतों के माध्यम से फ्रेम-स्तरीय ध्वनिक सुविधाओं (जैसे एमएफसीसी) को संसाधित करता है, फिर एक सांख्यिकी पूलिंग परत पूरे समय में माध्य और मानक विचलन की गणना करके पूरे उच्चारण को एकत्रित करती है। यह एक वैरिएबल-लंबाई रिकॉर्डिंग को एक निश्चित वेक्टर में बदल देता है, जिसके बाद गहरी परतें एम्बेडिंग को निकालती हैं। क्योंकि मॉडल को हजारों वक्ताओं पर प्रशिक्षित किया जाता है, एम्बेडिंग उन लोगों के लिए सामान्यीकृत हो जाती है जिन्हें उसने प्रशिक्षण के दौरान कभी नहीं देखा था। दो आवाज़ों की तुलना करने के लिए, सिस्टम उनके एक्स-वेक्टर के बीच समानता को मापते हैं, आमतौर पर कोसाइन दूरी या एक संभाव्य रैखिक विभेदक विश्लेषण (पीएलडीए) बैकएंड के साथ।