Vérification du locuteur avec des méthodes segmentales en collaboration avec : Jean HENNEBERT Jan CERNOCKY Gérard CHOLLET

2 1. Vérification du locuteur  Phase d’apprentissage : données parole pour calculer les modèles des locuteurs  Phase de test : identité proclamée => on calcule la vraisemblance que ce modèle ait pu produire les données  Seuil => rejeter ou accepter

3 2. Méthodes globales versus méthodes segmentales  Approches actuelles globales, avec une modélisation de le fonction des densité de probabilité des données parole paramétrées  Expériences existantes montrent que des classes d’unités de parole différents (ex. phonèmes) ont des pouvoirs de classification différents  méthodes segmentales on pourrait exploiter cette différence  Mais :  besoin de méthode de segmentation de la parole  plus de données parole

4 3. Méthodes de segmentation possibles  Reconnaissance de la parole (grand vocabulaire), avec des modèles de phones entraînés sur des grands corpus annotés  Méthodes de segmentation utilisant seulement les données parole, nommées ALISP (Automatic Language Independent Speech Processing)  pas besoin de corpus annotés  parole segmentée en unités ALISP

5 3.1 Apprentissage non supervisé des unités ALISP Segmentation initiale Regroupement des segments en N classes Modélisation des N classes Décomposition temporelle Quantification vectorielle + distances cumulées Modélisation HMM

6 3.2 Décomposition temporelle exemple

7 4. Modélisation des locuteurs avec des Multiple Layer Perceptrons (MLP) Chaque MLP segmental est entraînée à discriminer les données du client des données de monde MLP sont utilisée pour leur pouvoir de classification discriminant

8 5. Conditions expérimentales  Base de données NIST–1998 (env. 500 locuteurs)  2 min de parole pour l’entraînement des modèles  30 sec pour les tests

9 6. Résultats: GMM globaux (état de l’art) et MLP globaux

Performances par classe

MLP globaux et MLP segmentaux

12 7. Résultats et perspectives  Modélisation segmentale avec des MLP, avec des unités ALISP est compétitive avec des GMM  Classification automatique en 8 classes : c’est probablement trop vague  Améliorations possibles :  réaliser une segmentation plus fine, puis regrouper des classes;  fusion des scores segmentaux