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 (Audio Toolbox) и Верификация Динамика Используя i-векторы (Audio Toolbox). Audio Toolbox™ обеспечивает ivectorSystem
(Audio Toolbox), который инкапсулирует способность обучить систему i-вектора, регистрирует докладчиков или другие аудио метки, оценивает систему для порога решения, и идентифицирует или проверяет 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 (Audio Toolbox) и ivectorSystem
(Audio Toolbox).
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
Объект (Audio Toolbox), который указывает на набор 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 189
F02 189
F03 189
F04 189
F06 189
F07 189
F08 187
F09 189
M01 189
M02 189
M03 189
M04 189
M06 189
M07 189
M08 189
M09 189
countEachLabel(adsValidation)
ans=16×2 table
Label Count
_____ _____
F01 23
F02 23
F03 23
F04 23
F06 23
F07 23
F08 24
F09 23
M01 23
M02 23
M03 23
M04 23
M06 23
M07 23
M08 23
M09 23
countEachLabel(adsTest)
ans=16×2 table
Label Count
_____ _____
F01 24
F02 24
F03 24
F04 24
F06 24
F07 24
F08 23
F09 24
M01 24
M02 24
M03 24
M04 24
M06 24
M07 24
M08 24
M09 24
countEachLabel(adsEnroll)
ans=2×2 table
Label Count
_____ _____
F05 3
M05 3
countEachLabel(adsDET)
ans=2×2 table
Label Count
_____ _____
F05 233
M05 233
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
Объект (Audio Toolbox) 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);
Starting parallel pool (parpool) using the 'local' profile ... Connected to the parallel pool (number of workers: 6).
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. 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
создать мини-пакетную очередь для обучающих данных. Если вы имеете доступ к вычислить графическому процессору, устанавливаете ExecutionEnvironment
к gpu
. В противном случае установите ExecutionEnvironment
к cpu
.
ExecutionEnvironment = 'gpu'; dsXTrain = arrayDatastore (XTrain,'OutputType','same'); dsYTrain = arrayDatastore (YTrain','OutputType','cell'); dsTrain = объединение (dsXTrain, dsYTrain); miniBatchSize = 128; numOutputs = 2; mbq = minibatchqueue (dsTrain, numOutputs, ... 'MiniBatchSize', miniBatchSize, ... 'MiniBatchFormat',{'SCB','CB'}, ... 'MiniBatchFcn',@preprocessMiniBatch, ... 'OutputEnvironment'Среда выполнения;
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);
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); % 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
преобразовывать предсказание в метку.
Используйте confusionchart
оценивать 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
(Audio Toolbox) и Верификация Динамика Используя i-векторы (Audio Toolbox).
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 = 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