变分贝叶斯改进视角下说话人聚类算法

刘宓

（哈尔滨商业大学外语学院，黑龙江 哈尔滨 150028）

说话人聚类是通过一种无监督的聚类方式，其重点在于将杂乱无序的说话人片段自动地组合在一起，是说话人分离技术中的一个重要环节。聚类后在理想情况下，不同类别中的片段属于不同的说话人，且每个类别的片段仅属于同一个说话人。在电话会议转写和语言识别中说话人聚类可以提高电话会议转写和语音识别的准确度，提供更可靠的说话人模型给说话人自适应，并把相同的说话人语音段通过说话人聚类技术聚为一类，因此被较为广泛的应用在电话会议转写和语言识别中。基于距离准则的层次聚类方法是现有的说话人聚类通常所采用的，而信息瓶颈、归一化似然比、广义似然比、相对熵以及贝叶斯信息准则为可选的相似性度量准则。最早是用于说话人分割和聚类的就是贝叶斯信息准则距离准则。然而，BIC的单高斯模型随着不断增加的聚类时长，对于说话人数据的分布已经不足以描述。可以在说话人片段时长足够的情况下得到较好结果的是基于通用背景模型和最大后验估计的交叉似然比。针对误差向上传递的情况由于传统的说话人聚类算法而出现，本文实现说话人聚类时结合了长时PLDA和短时BIC的优异区分性，对说话人片段重新调优，利用了软聚类方式，提出了相应的改进策略。不管是说话人纯度还是聚类的类纯度，经过实验表明都有了一定的提升。……