基于得分规整的说话人确认

对于说话人确认系统,由于不同识别对得分分布的差异性,如果对原始得分直接使用统一门限判决,会严重影响系统的性能,因此需要对得分进行规整。针对现有得分规整方法的不足,本文提出一种基于对数似然值归一化(Log-likelihood Normalization,LLN)得分规整的说话人确认系统。LLN在不需要先验知识的情况下,通过扩大同一测试语音在目标说话人模型与非目标说话人模型上的得分差距,使同一测试语音对应的两类识别对得分混叠现象得到有效改善,进而利于系统的区分判决。实验证明,LLN是一种有效的得分规整方法,且与已有的零规整和测试规整形成互补,可进一步提高说话人确认系统的性能。