这是一个对Speaker-Recognition(SRE)任务进行简单介绍的文章。介绍了SRE任务的一些子任务和常用的评测标准以及常用的方法。
说话人识别概念
Speaker-Recognition，即说话人识别。根据任务目标不同，说话人识别可以分为说话人确认（Speaker Verifica-
tion）和说话人辨认 (Speaker Identification) 两大类。说话人确认是判断某段语音是否为指定的说话人所说（Yes or No），是一对一的判别问题；而说话人确认则是对于众多候选说话人集合，给定一段语音，确定该段语音是候选人集合中的哪一个人所说，是多对一问题。说话人识别基本的框架如下：
根据注册阶段和测试阶段的语音的文本内容是否一致，说话人识别可分为与文本相关（text-dependent）的说话人识别和与文本无关（text-independent） 的说话人识别。前者要求注册和测试语音不仅来自同一个人所说，而且说话内容一致，一般用于使用者比较配合的场合，在此种情况下不用担心说话内容的 差异带来的困难因而识别性能更好；而后者对说话内容不作限制，因而使用起 来更加灵活自由，也不易被非法模仿，但是识别起来技术难度增大，性能不如前者好。
说话人识别任务的评价指标
对于说话人辨认任务来说，我们可以简单的用正确率进行评价。
在说话人确认任务中，先给出两个重要的概念：
- 错误拒绝（False Rejection, FR）：正确的说话人在测试中被断定为冒认者
- 错误接受 (False Acceptance, FA)：冒认者在测试中被认为是正确的说话人
由于存在错误拒绝和错误接受两类错误，单纯地使用错误率来评定说话人确认系统性能可能是不恰当的。
等错误率（Equal Error Rate, EER）:
首先我们定义错误拒绝率$E_{FR}$和$E_{FA}$:
$N_{fr}$和$N_{fa}$分别是测试中错误拒绝和错误接受的次数，$N_{target}$和$N_{imposter}$分别指测试中总的真实测试次数和冒认测试次数。当系统中的阈值一定，$E_{FR}$和$E_{FA}$便是一定的，当阈值降低时，会有更多的测试会被接受，此时$E_{FA}$增大，$E_{FR}$减小，反之亦然。如下图是$E_{FR}$和$E_{FA}$随阈值变化而变化的趋势，EER为当$E_{FR}$和$E_{FA}$相等的时候的错误率。
DET(Detection Error Trade-off) 曲线：
传统方法
- 基于GMM-UBM系统的说话人确认系统