Распознавание динамика отвечает на вопрос, "Кто говорит?". Распознавание динамика обычно делится на две задачи: идентификация динамика и верификация динамика. В идентификации динамика динамик распознан путем сравнения их речи в замкнутом множестве шаблонов. В верификации динамика динамик распознан путем сравнения вероятности, что речь принадлежит конкретному динамику против предопределенного порога. Традиционные методы машинного обучения выполняют хорошо в этих задачах в идеальных условиях. Для примеров идентификации динамика с помощью традиционных методов машинного обучения смотрите, что Идентификация Динамика Использует Тангаж и MFCC и Верификацию Динамика Используя i-векторы. Audio Toolbox™ обеспечивает ivectorSystem
который инкапсулирует способность обучить систему i-вектора, зарегистрировать докладчиков или другие аудио метки, оценить систему для порога решения, и идентифицировать или проверить динамики или другие аудио метки.
В неблагоприятных условиях подход глубокого обучения x-векторов, как показывали, достиг современных результатов для многих сценариев и приложений [1]. Система x-вектора является эволюцией i-векторов, первоначально разработанных для задачи верификации динамика.
В этом примере вы разрабатываете систему x-вектора. Во-первых, вы обучаете нейронную сеть с временной задержкой (TDNN) выполнять идентификацию динамика. Затем вы обучаете традиционные бэкэнды x-vector-based системе верификации динамика: матрица проекции LDA и модель PLDA. Вы затем выполняете верификацию динамика с помощью TDNN и сокращения размерности бэкэнда и выигрыша. Системный бэкэнд x-вектора или классификатор, эквивалентен разработанный для систем i-вектора. Для получения дополнительной информации на бэкэнде, смотрите, что Верификация Динамика Использует i-векторы и ivectorSystem
.
В Докладчике Диэризэйшне Используя x-векторы вы используете систему x-вектора, обученную в этом примере выполнять динамик diarization. Динамик diarization отвечает на вопрос, "Кто говорил когда?".
В этом примере вы найдете живые средства управления на настраиваемых параметрах. Изменение средств управления не повторно выполняет пример. Если вы изменяете управление, необходимо повторно выполнить пример.
Этот пример использует Базу данных Отслеживания Тангажа из Технологического университета Граца (PTDB-TUG) [2]. Набор данных состоит из 20 английских носителей языка, читающих 2 342 фонетически богатых предложения из корпуса TIMIT. Загрузите и извлеките набор данных. В зависимости от вашей системы, загружая и извлекая набор данных может занять приблизительно 1,5 часа.
url = 'https://www2.spsc.tugraz.at/databases/PTDB-TUG/SPEECH_DATA_ZIPPED.zip'; downloadFolder = tempdir; datasetFolder = fullfile(downloadFolder,'PTDB-TUG'); if ~exist(datasetFolder,'dir') disp('Downloading PTDB-TUG (3.9 G) ...') unzip(url,datasetFolder) end
Создайте audioDatastore
возразите что точки против набора данных. Набор данных был первоначально предназначен для использования в отслеживающем тангаж обучении и оценке, и включает показания ларингографика и базовые решения тангажа. Используйте только исходные аудиозаписи.
ads = audioDatastore([fullfile(datasetFolder,"SPEECH DATA","FEMALE","MIC"),fullfile(datasetFolder,"SPEECH DATA","MALE","MIC")], ... 'IncludeSubfolders',true, ... 'FileExtensions','.wav'); fileNames = ads.Files;
Считайте звуковой файл из обучающего набора данных, слушайте его, и затем постройте его.
[audioIn,audioInfo] = read(ads); fs = audioInfo.SampleRate; t = (0:size(audioIn,1)-1)/fs; sound(audioIn,fs) plot(t,audioIn) xlabel('Time (s)') ylabel('Amplitude') axis([0 t(end) -1 1]) title('Sample Utterance from Training Set')
Имена файлов содержат идентификаторы динамика. Декодируйте имена файлов, чтобы установить метки на audioDatastore
объект.
speakerIDs = extractBetween(fileNames,'mic_','_'); ads.Labels = categorical(speakerIDs);
Разделите audioDatastore
объект в пять наборов:
adsTrain
- Содержит набор обучающих данных для классификатора бэкэнда и TDNN.
adsValidation
- Содержит набор валидации, чтобы оценить процесс обучения TDNN.
adsTest
- Содержит набор тестов, чтобы оценить эффективность TDNN для идентификации динамика.
adsEnroll
- Содержит набор приема, чтобы оценить ошибочный компромисс обнаружения системы x-вектора для верификации динамика.
adsDET
- Содержит набор оценки, используемый, чтобы определить ошибочный компромисс обнаружения системы x-вектора для верификации динамика.
developmentLabels = categorical(["M01","M02","M03","M04","M06","M07","M08","M09","F01","F02","F03","F04","F06","F07","F08","F09"]); evaluationLabels = categorical(["M05","M010","F05","F010"]); adsTrain = subset(ads,ismember(ads.Labels,developmentLabels)); [adsTrain,adsValidation,adsTest] = splitEachLabel(adsTrain,0.8,0.1,0.1); adsEvaluate = subset(ads,ismember(ads.Labels,evaluationLabels)); [adsEnroll,adsDET] = splitEachLabel(adsEvaluate,3);
Отобразите распределения метки получившегося audioDatastore
объекты.
countEachLabel(adsTrain)
ans=16×2 table
Label Count
_____ _____
F01 170
F02 170
F03 170
F04 170
F06 170
F07 170
F08 168
F09 170
M01 170
M02 170
M03 170
M04 170
M06 170
M07 170
M08 170
M09 170
countEachLabel(adsValidation)
ans=16×2 table
Label Count
_____ _____
F01 22
F02 22
F03 22
F04 22
F06 22
F07 22
F08 21
F09 22
M01 22
M02 22
M03 22
M04 22
M06 22
M07 22
M08 22
M09 22
countEachLabel(adsTest)
ans=16×2 table
Label Count
_____ _____
F01 21
F02 21
F03 21
F04 21
F06 21
F07 21
F08 21
F09 21
M01 21
M02 21
M03 21
M04 21
M06 21
M07 21
M08 21
M09 21
countEachLabel(adsEnroll)
ans=2×2 table
Label Count
_____ _____
F05 3
M05 3
countEachLabel(adsDET)
ans=2×2 table
Label Count
_____ _____
F05 231
M05 231
Можно уменьшать ошибочные наборы данных компромисса обучения и обнаружения, используемые в этом примере, чтобы ускорить время выполнения за счет эффективности. В общем случае сокращение набора данных является хорошей практикой для разработки и отладки.
speedUpExample = false; if speedUpExample adsTrain = splitEachLabel (adsTrain, 20); adsDET = splitEachLabel (adsDET, 20); end
Создайте audioFeatureExtractor
возразите, чтобы извлечь 30 MFCCs из окон Hann на 30 мс с транзитным участком на 10 мс. Частота дискретизации набора данных составляет 48 кГц, но вы проредите набор данных к 16 кГц. Спроектируйте audioFeatureExtractor
принимая желаемую частоту дискретизации, 16 кГц.
desiredFs = 16e3; windowDuration = 0.03; hopDuration = 0.005; windowSamples = вокруг (windowDuration*desiredFs); hopSamples = вокруг (hopDuration*desiredFs); overlapSamples = windowSamples - hopSamples; numCoeffs = 30; afe = audioFeatureExtractor ( ... 'SampleRate', desiredFs, ... 'Window', hann (windowSamples,'periodic'), ... 'OverlapLength', overlapSamples, ... ... 'mfcc'TRUE, ... 'pitch'ложь, ... 'spectralEntropy'ложь, ... 'spectralFlux'ложь; setExtractorParams (afe,'mfcc','NumCoeffs', numCoeffs)
Downsample аудиоданные к 16 кГц и извлечение показывает от наборов данных обучения и валидации. Используйте обучающий набор данных, чтобы определить среднее и стандартное отклонение функций, чтобы выполнить стандартизацию функции. Функция поддержки, xVectorPreprocessBatch, использует ваш параллельный пул по умолчанию, если у вас есть Parallel Computing Toolbox™.
adsTrain = transform(adsTrain,@(x)resample(x,desiredFs,fs)); [features,YTrain] = xVectorPreprocessBatch(adsTrain,afe); featuresMAT = cat(1,features{:}); numFeatures = size(featuresMAT,2); factors = struct('Mean',mean(featuresMAT,1),'STD',std(featuresMAT,1)); XTrain = cellfun(@(x)(x-factors.Mean)./factors.STD,features,'UniformOutput',false); XTrain = cellfun(@(x)x-mean(x(:)),XTrain,'UniformOutput',false); adsValidation = transform(adsValidation,@(x)resample(x,desiredFs,fs)); [XValidation,YValidation] = xVectorPreprocessBatch(adsTrain,afe,'Factors',factors); classes = unique(YTrain); numClasses = numel(classes);
В этом примере вы реализуете модель [1] экстрактора функции x-вектора с помощью парадигмы функционального программирования, обеспеченной Deep Learning Toolbox™. Эта парадигма включает полный контроль над проектом вашей модели глубокого обучения. Для примера на функциональном программировании в Deep Learning Toolbox смотрите Функцию Градиентов Модели Define для Пользовательского Учебного Цикла (Deep Learning Toolbox). Функция поддержки, xvecModel
, помещается в вашу текущую папку, когда вы открываете этот пример. Отобразите содержимое xvecModel
функция.
type('xvecModel')
function [Y,state] = xvecModel(X,parameters,state,nvargs) % This function is only for use in this example. It may be changed or % removed in a future release. arguments X parameters state nvargs.DoTraining = false nvargs.OutputLayer = 'final' nvargs.Dropout = 0.2; end % LAYER 1 ----------------------------------------------------------------- Y = dlconv(X,parameters.conv1.Weights,parameters.conv1.Bias,'DilationFactor',1); if nvargs.DoTraining [Y,state.batchnorm1.TrainedMean,state.batchnorm1.TrainedVariance] = ... batchnorm(Y, ... parameters.batchnorm1.Offset, ... parameters.batchnorm1.Scale, ... state.batchnorm1.TrainedMean, ... state.batchnorm1.TrainedVariance); Y(rand(size(Y))<nvargs.Dropout) = 0; else Y = batchnorm(Y, ... parameters.batchnorm1.Offset, ... parameters.batchnorm1.Scale, ... state.batchnorm1.TrainedMean, ... state.batchnorm1.TrainedVariance); end if nvargs.OutputLayer==1 return end Y = relu(Y); % ------------------------------------------------------------------------- % LAYER 2 ----------------------------------------------------------------- Y = dlconv(Y,parameters.conv2.Weights,parameters.conv2.Bias,'DilationFactor',2); if nvargs.DoTraining [Y,state.batchnorm2.TrainedMean,state.batchnorm2.TrainedVariance] = ... batchnorm(Y, ... parameters.batchnorm2.Offset, ... parameters.batchnorm2.Scale, ... state.batchnorm2.TrainedMean, ... state.batchnorm2.TrainedVariance); Y(rand(size(Y))<nvargs.Dropout) = 0; else Y = batchnorm(Y, ... parameters.batchnorm2.Offset, ... parameters.batchnorm2.Scale, ... state.batchnorm2.TrainedMean, ... state.batchnorm2.TrainedVariance); end if nvargs.OutputLayer==2 return end Y = relu(Y); % ------------------------------------------------------------------------- % LAYER 3 ----------------------------------------------------------------- Y = dlconv(Y,parameters.conv3.Weights,parameters.conv3.Bias,'DilationFactor',3); if nvargs.DoTraining [Y,state.batchnorm3.TrainedMean,state.batchnorm3.TrainedVariance] = ... batchnorm(Y, ... parameters.batchnorm3.Offset, ... parameters.batchnorm3.Scale, ... state.batchnorm3.TrainedMean, ... state.batchnorm3.TrainedVariance); Y(rand(size(Y))<nvargs.Dropout) = 0; else Y = batchnorm(Y, ... parameters.batchnorm3.Offset, ... parameters.batchnorm3.Scale, ... state.batchnorm3.TrainedMean, ... state.batchnorm3.TrainedVariance); end if nvargs.OutputLayer==3 return end Y = relu(Y); % ------------------------------------------------------------------------- % LAYER 4 ----------------------------------------------------------------- Y = dlconv(Y,parameters.conv4.Weights,parameters.conv4.Bias,'DilationFactor',1); if nvargs.DoTraining [Y,state.batchnorm4.TrainedMean,state.batchnorm4.TrainedVariance] = ... batchnorm(Y, ... parameters.batchnorm4.Offset, ... parameters.batchnorm4.Scale, ... state.batchnorm4.TrainedMean, ... state.batchnorm4.TrainedVariance); Y(rand(size(Y))<nvargs.Dropout) = 0; else Y = batchnorm(Y, ... parameters.batchnorm4.Offset, ... parameters.batchnorm4.Scale, ... state.batchnorm4.TrainedMean, ... state.batchnorm4.TrainedVariance); end if nvargs.OutputLayer==4 return end Y = relu(Y); % ------------------------------------------------------------------------- % LAYER 5 ----------------------------------------------------------------- Y = dlconv(Y,parameters.conv5.Weights,parameters.conv5.Bias,'DilationFactor',1); if nvargs.DoTraining [Y,state.batchnorm5.TrainedMean,state.batchnorm5.TrainedVariance] = ... batchnorm(Y, ... parameters.batchnorm5.Offset, ... parameters.batchnorm5.Scale, ... state.batchnorm5.TrainedMean, ... state.batchnorm5.TrainedVariance); Y(rand(size(Y))<nvargs.Dropout) = 0; else Y = batchnorm(Y, ... parameters.batchnorm5.Offset, ... parameters.batchnorm5.Scale, ... state.batchnorm5.TrainedMean, ... state.batchnorm5.TrainedVariance); end if nvargs.OutputLayer==5 return end Y = relu(Y); % ------------------------------------------------------------------------- % Layer 6: Statistical pooling -------------------------------------------- if nvargs.DoTraining Y = Y + 0.0001*rand(size(Y)); end Y = cat(2,mean(Y,1),std(Y,[],1)); if nvargs.OutputLayer==6 return end % ------------------------------------------------------------------------- % LAYER 7 ----------------------------------------------------------------- Y = fullyconnect(Y,parameters.fc7.Weights,parameters.fc7.Bias); if nvargs.DoTraining [Y,state.batchnorm7.TrainedMean,state.batchnorm6.TrainedVariance] = ... batchnorm(Y, ... parameters.batchnorm7.Offset, ... parameters.batchnorm7.Scale, ... state.batchnorm7.TrainedMean, ... state.batchnorm7.TrainedVariance); Y(rand(size(Y))<nvargs.Dropout) = 0; else Y = batchnorm(Y, ... parameters.batchnorm7.Offset, ... parameters.batchnorm7.Scale, ... state.batchnorm7.TrainedMean, ... state.batchnorm7.TrainedVariance); end if nvargs.OutputLayer==7 return end Y = relu(Y); % ------------------------------------------------------------------------- % LAYER 8 ----------------------------------------------------------------- Y = fullyconnect(Y,parameters.fc8.Weights,parameters.fc8.Bias); if nvargs.DoTraining [Y,state.batchnorm8.TrainedMean,state.batchnorm8.TrainedVariance] = ... batchnorm(Y, ... parameters.batchnorm8.Offset, ... parameters.batchnorm8.Scale, ... state.batchnorm8.TrainedMean, ... state.batchnorm8.TrainedVariance); Y(rand(size(Y))<nvargs.Dropout) = 0; else Y = batchnorm(Y, ... parameters.batchnorm8.Offset, ... parameters.batchnorm8.Scale, ... state.batchnorm8.TrainedMean, ... state.batchnorm8.TrainedVariance); end if nvargs.OutputLayer==8 return end Y = relu(Y); % ------------------------------------------------------------------------- % LAYER 9 (softmax)-------------------------------------------------------- Y = fullyconnect(Y,parameters.fc9.Weights,parameters.fc9.Bias); if nvargs.OutputLayer==9 return end Y = softmax(Y); % ------------------------------------------------------------------------- end
Инициализируйте структуры, которые содержат параметры и состояние модели TDNN с помощью функции поддержки, initializexVecModelLayers. [1] задает количество фильтров между большинством слоев, включая слой встраивания, как 512. Поскольку набор обучающих данных в этом примере мал, используйте размер представления 128.
numFilters = 128;
[параметры, состояние] = initializexVecModelLayers (numFeatures, numFilters, numClasses)
parameters = struct with fields:
conv1: [1×1 struct]
batchnorm1: [1×1 struct]
conv2: [1×1 struct]
batchnorm2: [1×1 struct]
conv3: [1×1 struct]
batchnorm3: [1×1 struct]
conv4: [1×1 struct]
batchnorm4: [1×1 struct]
conv5: [1×1 struct]
batchnorm5: [1×1 struct]
fc7: [1×1 struct]
batchnorm7: [1×1 struct]
fc8: [1×1 struct]
batchnorm8: [1×1 struct]
fc9: [1×1 struct]
state = struct with fields:
batchnorm1: [1×1 struct]
batchnorm2: [1×1 struct]
batchnorm3: [1×1 struct]
batchnorm4: [1×1 struct]
batchnorm5: [1×1 struct]
batchnorm7: [1×1 struct]
batchnorm8: [1×1 struct]
Таблица суммирует архитектуру сети, описанной в [1] и реализованный в этом примере. T является общим количеством систем координат (характеристические векторы в зависимости от времени) в звуковом сигнале. N является количеством классов (динамики) в наборе обучающих данных.
Используйте arrayDatastore
и minibatchqueue
(Deep Learning Toolbox), чтобы создать мини-пакетную очередь для обучающих данных.
dsXTrain = arrayDatastore(XTrain,'OutputType','same'); dsYTrain = arrayDatastore(YTrain','OutputType','cell'); dsTrain = combine(dsXTrain,dsYTrain); miniBatchSize = 128; numOutputs = 2; mbq = minibatchqueue (dsTrain, numOutputs, ... 'MiniBatchSize', miniBatchSize, ... 'MiniBatchFormat',{'SCB','CB'}, ... 'MiniBatchFcn',@preprocessMiniBatch);
Установите количество циклов обучения, начальная буква изучают уровень, изучить период отбрасывания уровня, изучить фактор отбрасывания уровня и валидации в эпоху.
numEpochs = 6; learnRate = 0.001; gradDecay = 0.5; sqGradDecay = 0.999; trailingAvg = []; trailingAvgSq = []; LearnRateDropPeriod = 2; LearnRateDropFactor = 0.1; ValidationsPerEpoch = 2; iterationsPerEpoch = пол (numel (XTrain)/miniBatchSize); iterationsPerValidation = вокруг (iterationsPerEpoch/ValidationsPerEpoch);
Если вы имеете доступ к вычислить графическому процессору, устанавливаете ExecutionEnvironment
к gpu
. В противном случае установите ExecutionEnvironment
к cpu
.
ExecutionEnvironment = 'gpu';
При выполнении валидации, в то время как обучение, предварительно обработайте набор валидации для более быстрой эффективности в цикле.
if ValidationsPerEpoch ~= 0 [XValidation,YValidation] = preprocessMiniBatch(XValidation,{YValidation}); XValidation = dlarray(XValidation,'SCB'); if strcmp(ExecutionEnvironment,'gpu') XValidation = gpuArray(XValidation); end end
Чтобы отобразить прогресс обучения, инициализируйте объект progressPlotter
поддержки. Объект поддержки,
progressPlotter
, помещается в вашу текущую папку, когда вы открываете этот пример.
Запустите учебный цикл.
pp = progressPlotter(categories(classes)); iteration = 0; for epoch = 1:numEpochs % Shuffle mini-batch queue shuffle(mbq) while hasdata(mbq) % Update iteration counter iteration = iteration + 1; % Get mini-batch from mini-batch queue [dlX,Y] = next(mbq); % Place mini-batch on GPU if requested if strcmp(ExecutionEnvironment,'gpu') dlX = gpuArray(dlX); end % Evaluate the model gradients, state, and loss using dlfeval and the modelGradients function [gradients,state,loss,predictions] = dlfeval(@modelGradients,dlX,Y,parameters,state); % Update the network parameters using the Adam optimizer [parameters,trailingAvg,trailingAvgSq] = adamupdate(parameters,gradients, ... trailingAvg,trailingAvgSq,iteration,learnRate,gradDecay,sqGradDecay,eps('single')); % Update the training progress plot updateTrainingProgress(pp,'Epoch',epoch,'Iteration',iteration,'LearnRate',learnRate,'Predictions',predictions,'Targets',Y,'Loss',loss) % Update the validation plot if ~rem(iteration,iterationsPerValidation) % Pass validation data through x-vector model predictions = xvecModel(XValidation,parameters,state,'DoTraining',false); % Update plot updateValidation(pp,'Iteration',iteration,'Predictions',predictions,'Targets',YValidation) end end % Update learn rate if rem(epoch,LearnRateDropPeriod)==0 learnRate = learnRate*LearnRateDropFactor; end end
Оцените точность распознавания динамика TDNN с помощью протянутого набора тестов. Для каждого файла в наборе тестов:
Передискретизируйте аудио к 16 кГц
Извлеките функции с помощью xVectorPreprocess
поддерживание функции. Функции возвращены в массивах ячеек, где число элементов в массиве ячеек равно количеству отдельных речевых сегментов.
Чтобы получить предсказанную марку докладчика, передайте каждый сегмент через модель.
Если больше чем один речевой сегмент присутствовал в звуковом сигнале, насчитайте предсказания.
Используйте onehotdecode
(Deep Learning Toolbox), чтобы преобразовать предсказание в метку.
Используйте confusionchart
(Deep Learning Toolbox), чтобы оценить производительность системы.
predictedLabels = classes; predictedLabels(:) = []; for sample = 1:numel(adsTest.Files) [audioIn,xInfo] = read(adsTest); audioIn = resample(audioIn,desiredFs,fs); f = xVectorPreprocess(audioIn,afe,'Factors',factors,'MinimumDuration',0); predictions = zeros(numel(classes),numel(f)); for segment = 1:numel(f) dlX = dlarray(f{segment},'SCB'); predictions(:,segment) = extractdata(xvecModel(dlX,parameters,state,'DoTraining',false)); end predictedLabels(sample) = onehotdecode(mean(predictions,2),categories(classes),1); end trueLabels = adsTest.Labels; accuracy = mean(trueLabels==predictedLabels'); figure('Units','normalized','Position',[0.2 0.2 0.6 0.6]); confusionchart(trueLabels,predictedLabels', ... 'ColumnSummary','column-normalized', ... 'RowSummary','row-normalized', ... 'Title',sprintf('x-vector Speaker Recognition\nAccuracy = %0.2f%%',accuracy*100))
В системе x-вектора для верификации динамика TDNN, который вы только обучили, используется, чтобы вывести слой встраивания. Выход от слоя встраивания (слой 7 в этом примере, после нормализации партии. и перед активацией) является 'x-векторами' в системе x-вектора.
Бэкэнд (или классификатор) системы x-вектора совпадает с бэкэндом системы i-вектора. Для получения дополнительной информации на алгоритмах, смотрите ivectorSystem
и Верификация Динамика Используя i-векторы.
Извлеките x-векторы из состава. Функция поддержки, xvecModel
, имеет дополнительную пару "имя-значение" 'OutputLayer'
. Установите 'OutputLayer'
к 7
возвращать выходной параметр седьмого слоя. В [1], выход или от слоя 7 или от слоя 8 предлагается в качестве возможных слоев встраивания.
xvecs = zeros(numFilters,numel(YTrain)); for sample = 1:size(YTrain,2) dlX = dlarray(XTrain{sample},'SCB'); embedding = xvecModel(dlX,parameters,state,'DoTraining',false,'OutputLayer',7); xvecs(:,sample) = extractdata(embedding); end
Создайте матрицу проекции линейного дискриминантного анализа (LDA), чтобы уменьшать размерность x-векторов к 32. LDA пытается минимизировать отклонение внутрикласса и максимизировать отклонение между динамиками.
numEigenvectors = 32;
projMat = helperTrainProjectionMatrix (xvecs, YTrain, numEigenvectors);
Примените матрицу проекции LDA к x-векторам.
xvecs = projMat*xvecs;
Обучите модель G-PLDA выполнять выигрыш.
numIterations = 3; numDimensions = 32; plda = helperTrainPLDA (xvecs, YTrain, numIterations, numDimensions);
Системы верификации динамика проверяют, что динамик - то, кем они подразумевают быть. Прежде чем динамик может быть проверен, они должны быть зарегистрированы в системе. Прием в систему означает, что система имеет представление x-вектора шаблона динамика.
Извлеките x-векторы из протянутого набора данных, adsEnroll
. Установите минимальную длительность аудио сегмента к эквиваленту 15 транзитных участков функций (минимальный номер, требуемый вычислить x-векторы).
minDur = (numel(afe.Window)+14*(numel(afe.Window)-afe.OverlapLength)+1)/desiredFs; xvecs = zeros(numEigenvectors,numel(adsEnroll.Files)); reset(adsEnroll) for sample = 1:numel(adsEnroll.Files) [audioIn,xInfo] = read(adsEnroll); audioIn = resample(audioIn,desiredFs,fs); f = xVectorPreprocess(audioIn,afe,'Factors',factors,'MinimumDuration',minDur); embeddings = zeros(numFilters,numel(f)); for segment = 1:numel(f) dlX = dlarray(f{segment},'SCB'); embeddings(:,segment) = extractdata(xvecModel(dlX,parameters,state,'DoTraining',false,'OutputLayer',7)); end xvecs(:,sample) = mean(projMat*embeddings,2); end
Создайте x-векторы шаблона для каждого динамика путем усреднения x-векторов из отдельных динамиков через файлы приема.
labels = adsEnroll.Labels; uniqueLabels = unique(labels); atable = cell2table(cell(0,2),'VariableNames',{'xvector','NumSamples'}); for ii = 1:numel(uniqueLabels) idx = uniqueLabels(ii)==labels; wLocalMean = mean(xvecs(:,idx),2); localTable = table({wLocalMean},(sum(idx)), ... 'VariableNames',{'xvector','NumSamples'}, ... 'RowNames',string(uniqueLabels(ii))); atable = [atable;localTable]; %#ok<AGROW> end enrolledLabels = atable
enrolledLabels=2×2 table
xvector NumSamples
_____________ __________
F05 {32×1 double} 3
M05 {32×1 double} 3
Системы верификации динамика требуют, чтобы вы установили порог, который балансирует вероятность ложного принятия (FA) и вероятность ложного отклонения (FR), согласно требованиям вашего приложения. Чтобы определить порог, который удовлетворяет ваши требования FA/FR, оцените ошибочный компромисс обнаружения системы.
xvecs = zeros(numEigenvectors,numel(adsDET.Files)); reset(adsDET) for sample = 1:numel(adsDET.Files) [audioIn,xInfo] = read(adsDET); audioIn = resample(audioIn,desiredFs,fs); f = xVectorPreprocess(audioIn,afe,'Factors',factors,'MinimumDuration',minDur); embeddings = zeros(numFilters,numel(f)); for segment = 1:numel(f) dlX = dlarray(f{segment},'SCB'); embeddings(:,segment) = extractdata(xvecModel(dlX,parameters,state,'DoTraining',false,'OutputLayer',7)); end xvecs(:,sample) = mean(projMat*embeddings,2); end labels = adsDET.Labels; [detTable,scoreRange] = helperDetectionErrorTradeoff(xvecs,labels,enrolledLabels,plda);
Постройте результаты ошибочной оценки компромисса обнаружения и для выигрыша PLDA и для выигрыша подобия косинуса (CSS).
plot(detTable.PLDA.Threshold,detTable.PLDA.FAR, ... detTable.PLDA.Threshold,detTable.PLDA.FRR) eer = helperEqualErrorRate(detTable.PLDA); title(sprintf('Speaker Verification\nDetection Error Tradeoff\nPLDA Scoring\nEqual Error Rate = %0.2f',eer)); xlabel('Threshold') ylabel('Error Rate') legend({'FAR','FRR'})
plot(detTable.CSS.Threshold,detTable.CSS.FAR, ... detTable.CSS.Threshold,detTable.CSS.FRR) eer = helperEqualErrorRate(detTable.CSS); title(sprintf('Speaker Verification\nDetection Error Tradeoff\nCosine Similarity Scoring\nEqual Error Rate = %0.2f',eer)); xlabel('Threshold') ylabel('Error Rate') legend({'FAR','FRR'})
[1] Снайдер, Дэвид, и др. “x-векторы: Устойчивые Вложения DNN для Распознавания Динамика”. 2 018 Международных конференций IEEE по вопросам Акустики, Речи и Обработки сигналов (ICASSP), IEEE, 2018, стр 5329–33. DOI.org (Crossref), doi:10.1109/ICASSP.2018.8461375.
[2] Обработка сигналов и Речевая Коммуникационная Лаборатория. Полученный доступ 12 декабря 2019. https://www.spsc.tugraz.at/databases-and-tools/ptdb-tug-pitch-tracking-database-from-graz-university-of-technology.html.
function [parameters,state] = initializexVecModelLayers(numFeatures,numFilters,numClasses) % This function is only for use in this example. It may be changed or % removed in a future release. % Initialize Layer 1 (1-D Convolutional) filterSize1 = 5; numChannels1 = numFeatures; numFilters1 = numFilters; numIn1 = filterSize1*numFilters1; numOut1 = filterSize1*numFilters1; parameters.conv1.Weights = initializeGlorot([filterSize1,numChannels1,numFilters1],numOut1,numIn1); parameters.conv1.Bias = dlarray(zeros([numFilters1,1],'single')); parameters.batchnorm1.Offset = dlarray(zeros([numFilters1,1],'single')); parameters.batchnorm1.Scale = dlarray(ones([numFilters1,1],'single')); state.batchnorm1.TrainedMean = zeros(numFilters1,1,'single'); state.batchnorm1.TrainedVariance = ones(numFilters1,1,'single'); % Initialize Layer 2 (1-D Convolutional) filterSize2 = 3; numChannels2 = numFilters1; numFilters2 = numFilters; numIn2 = filterSize2*numFilters2; numOut2 = filterSize2*numFilters2; parameters.conv2.Weights = initializeGlorot([filterSize2,numChannels2,numFilters2],numOut2,numIn2); parameters.conv2.Bias = dlarray(zeros([numFilters2,1],'single')); parameters.batchnorm2.Offset = dlarray(zeros([numFilters2,1],'single')); parameters.batchnorm2.Scale = dlarray(ones([numFilters2,1],'single')); state.batchnorm2.TrainedMean = zeros(numFilters2,1,'single'); state.batchnorm2.TrainedVariance = ones(numFilters2,1,'single'); % Initialize Layer 3 (1-D Convolutional) filterSize3 = 3; numChannels3 = numFilters2; numFilters3 = numFilters; numIn3 = filterSize3*numFilters3; numOut3 = filterSize3*numFilters3; parameters.conv3.Weights = initializeGlorot([filterSize3,numChannels3,numFilters3],numOut3,numIn3); parameters.conv3.Bias = dlarray(zeros([numFilters3,1],'single')); parameters.batchnorm3.Offset = dlarray(zeros([numFilters3,1],'single')); parameters.batchnorm3.Scale = dlarray(ones([numFilters3,1],'single')); state.batchnorm3.TrainedMean = zeros(numFilters3,1,'single'); state.batchnorm3.TrainedVariance = ones(numFilters3,1,'single'); % Initialize Layer 4 (1-D Convolutional) filterSize4 = 1; numChannels4 = numFilters3; numFilters4 = numFilters; numIn4 = filterSize4*numFilters4; numOut4 = filterSize4*numFilters4; parameters.conv4.Weights = initializeGlorot([filterSize4,numChannels4,numFilters4],numOut4,numIn4); parameters.conv4.Bias = dlarray(zeros([numFilters4,1],'single')); parameters.batchnorm4.Offset = dlarray(zeros([numFilters4,1],'single')); parameters.batchnorm4.Scale = dlarray(ones([numFilters4,1],'single')); state.batchnorm4.TrainedMean = zeros(numFilters4,1,'single'); state.batchnorm4.TrainedVariance = ones(numFilters4,1,'single'); % Initialize Layer 5 (1-D Convolutional) filterSize5 = 1; numChannels5 = numFilters4; numFilters5 = 1500; numOut5 = filterSize5*numFilters5; numIn5 = filterSize5*numFilters5; parameters.conv5.Weights = initializeGlorot([filterSize5,numChannels5,numFilters5],numOut5,numIn5); parameters.conv5.Bias = dlarray(zeros([numFilters5,1],'single')); parameters.batchnorm5.Offset = dlarray(zeros([numFilters5,1],'single')); parameters.batchnorm5.Scale = dlarray(ones([numFilters5,1],'single')); state.batchnorm5.TrainedMean = zeros(numFilters5,1,'single'); state.batchnorm5.TrainedVariance = ones(numFilters5,1,'single'); % Initialize Layer 6 (Statistical Pooling) numIn6 = numOut5; numOut6 = 2*numIn6; % Initialize Layer 7 (Fully Connected) numIn7 = numOut6; numOut7 = numFilters; parameters.fc7.Weights = initializeGlorot([numFilters,numIn7],numOut7,numIn7); parameters.fc7.Bias = dlarray(zeros([numOut7,1],'single')); parameters.batchnorm7.Offset = dlarray(zeros([numOut7,1],'single')); parameters.batchnorm7.Scale = dlarray(ones([numOut7,1],'single')); state.batchnorm7.TrainedMean = zeros(numOut7,1,'single'); state.batchnorm7.TrainedVariance = ones(numOut7,1,'single'); % Initialize Layer 8 (Fully Connected) numIn8 = numOut7; numOut8 = numFilters; parameters.fc8.Weights = initializeGlorot([numOut8,numIn8],numOut8,numIn8); parameters.fc8.Bias = dlarray(zeros([numOut8,1],'single')); parameters.batchnorm8.Offset = dlarray(zeros([numOut8,1],'single')); parameters.batchnorm8.Scale = dlarray(ones([numOut8,1],'single')); state.batchnorm8.TrainedMean = zeros(numOut8,1,'single'); state.batchnorm8.TrainedVariance = ones(numOut8,1,'single'); % Initialize Layer 9 (Fully Connected) numIn9 = numOut8; numOut9 = numClasses; parameters.fc9.Weights = initializeGlorot([numOut9,numIn9],numOut9,numIn9); parameters.fc9.Bias = dlarray(zeros([numOut9,1],'single')); end
function weights = initializeGlorot(sz,numOut,numIn) % This function is only for use in this example. It may be changed or % removed in a future release. Z = 2*rand(sz,'single') - 1; bound = sqrt(6 / (numIn + numOut)); weights = bound*Z; weights = dlarray(weights); end
function [gradients,state,loss,Y] = modelGradients(X,target,parameters,state) % This function is only for use in this example. It may be changed or % removed in a future release. [Y,state] = xvecModel(X,parameters,state,'DoTraining',true); loss = crossentropy(Y,target); gradients = dlgradient(loss,parameters); end
function [sequences,labels] = preprocessMiniBatch(sequences,labels) % This function is only for use in this example. It may be changed or % removed in a future release. lengths = cellfun(@(x)size(x,1),sequences); minLength = min(lengths); sequences = cellfun(@(x)randomTruncate(x,1,minLength),sequences,'UniformOutput',false); sequences = cat(3,sequences{:}); labels = cat(2,labels{:}); labels = onehotencode(labels,1); labels(isnan(labels)) = 0; end
function y = randomTruncate(x,dim,minLength) % This function is only for use in this example. It may be changed or % removed in a future release. N = size(x,dim); if N > minLength start = randperm(N-minLength,1); if dim==1 y = x(start:start+minLength-1,:); elseif dim ==2 y = x(:,start:start+minLength-1); end else y = x; end end
function [features,labels] = xVectorPreprocessBatch(ads,afe,nvargs) % This function is only for use in this example. It may be changed or % removed in a future release. arguments ads afe nvargs.Factors = [] nvargs.Segment = true; end if ~isempty(ver('parallel')) pool = gcp; numpar = numpartitions(ads,pool); else numpar = 1; end labels = []; features = []; parfor ii = 1:numpar adsPart = partition(ads,numpar,ii); numFiles = numel(adsPart.UnderlyingDatastores{1}.Files); localFeatures = cell(numFiles,1); localLabels = []; for jj = 1:numFiles [audioIn,xInfo] = read(adsPart); label = xInfo.Label; [f,ns] = xVectorPreprocess(audioIn,afe,'Factors',nvargs.Factors,'Segment',nvargs.Segment); %#ok<PFBNS> localFeatures{jj} = f; localLabels = [localLabels,repelem(label,ns)]; end features = [features;localFeatures]; labels = [labels,localLabels]; end features = cat(1,features{:}); labels = removecats(labels); end
function [features,numSegments] = xVectorPreprocess(audioData,afe,nvargs) % This function is only for use in this example. It may be changed or % removed in a future release. arguments audioData afe nvargs.Factors = [] nvargs.Segment = true; nvargs.MinimumDuration = 1; end % Scale audioData = audioData/max(abs(audioData(:))); % Protect against NaNs audioData(isnan(audioData)) = 0; % Determine regions of speech mergeDur = 0.5; % seconds idx = detectSpeech(audioData,afe.SampleRate,'MergeDistance',afe.SampleRate*mergeDur); % If a region is less than MinimumDuration seconds, drop it. if nvargs.Segment idxToRemove = (idx(:,2)-idx(:,1))<afe.SampleRate*nvargs.MinimumDuration; idx(idxToRemove,:) = []; end % Extract features numSegments = size(idx,1); features = cell(numSegments,1); for ii = 1:numSegments features{ii} = single(extract(afe,audioData(idx(ii,1):idx(ii,2)))); end % Standardize features if ~isempty(nvargs.Factors) features = cellfun(@(x)(x-nvargs.Factors.Mean)./nvargs.Factors.STD,features,'UniformOutput',false); end % Cepstral mean subtraction (for channel noise) if ~isempty(nvargs.Factors) fileMean = mean(cat(1,features{:}),'all'); features = cellfun(@(x)x - fileMean,features,'UniformOutput',false); end if ~nvargs.Segment features = cat(1,features{:}); end end