Comparison of text-independent speaker verification systems in a multi-class, semi-automatic detection scenario

Abstract

Performance of the speaker veri cation systems is typically measured based on their binary decision accuracy. Soft outputs of the systems are used mostly for calibration or multiple system combination purposes. However, in speaker veri cation applications where close to 100% accuracy is required, such as the systems that are used in the call centers of nance companies, it is not possible to rely on the binary decisions of the existing veri cation systems. Still, in such cases, multi-class veri cation outputs (for example, high, medium and low veri cation score) returned by the speaker veri cation systems can be used by a human agent to either reduce the veri cation time and/or increase the veri cation accuracy compared to a human-only scenario. In this thesis, an overview of a speaker veri cation system is given explaining in detail the algorithms that are implemented. Particularly the details about a classi- er, GDA, which was rstly used by us for a veri cation purpose are given. It does relatively better job than state of the art algorithms for non-linear data like in our case. In the experiments section, some of the most popular speaker veri cation systems are compared in terms of the classical performance metric used in the literature. Then, multi-class output performance of them is compared when a human agent is assumed to be in the veri cation loop. Performance is measured by the reduction in the number of questions used by the human agent for verifying the identity of the caller without compromising the security. Experiments are performed using the NIST 2006 and 2008 databases. Eight and one conversation sides (5 minutes each) enrollment data and 1 side and 10 seconds veri cation data conditions are used.

Konuşmacı doğrulama sistemlerinin başarısı tipik olarak bu sistemlerin ikili karar vermedeki doğruluğuna dayanarak ölçülür. Sistemlerin gerçek değerli çıktıları çoğunlukla sistem kalibrasyonu veya coklu sistem kombinasyonlar gibi ama clar do grultusunda kullanılır. Ancak, finans firmalarının çağrı merkezleri gibi yerlerde kullanılan ve %100'e yakın kesinlik gerektiren konuşmacı doğrulama uygulamaları nda, varolan sistemlerin ikili kararlarına güvenmek mumkün değildir. Yine de bu tür durumlarda, konuşmacı doğrulama sistemi tarafından döndürülen çoklu-sınıf doğrulama çıktıları (örneğin yuksek, orta, düşük doğrulama yüzdesi) çağrı merkezi temsilcisi tarafından, sadece insan olan senaryoya göre doğrulama süresini kısaltmak ve/veya doğrulama kesinliğini arttırmak için kullanılabilir. Bu tezde ilk olarak gerçekleyip kullandığımız algoritmalar detaylı bir şekilde anlatarak bir konuşmacı doğrulama sisteminin genel görünümünü vereceğiz. Bilhassa bir doğrulama amacı için ilk defa bizim kullandığımız, bir sınıflandırıcı olan GDA hakkında detaylı bilgi vereceğiz. GDA bizim ele aldığımız problemdeki gibi doğrusal olmayan verilerin sınıflandırılmasında görece olarak daha iyi calışıyor. Deneyler bölümünde ise oncelikle baz cok bilinen konuşmacı doğrulama sistemlerinin başarımlarını klasik başarım ölçütlerini kullanarak karşılaştırdık. Daha sonra, doğrulama döngüsünde bir çağrı merkezi temsilcisinin de oldu ğunu varsayarak, bu sistemlerin coklu-sınıf başarımlarını karşılaştırdık. Başarım, temsilcinin güvenlikten ödün vermeden sorması gereken soru miktarındaki azalmaya göre ölçüldü. Deneyler NIST 2006 ve 2008 veritabanları kullanılarak gerçekleştirildi. Herbiri beşer dakikalık olan bir ve sekiz karşılıklı konuşmadan alınan kayıtlar ses imzalarının çıkarımlarında kullanıldı. Doğrulama yapılacak konuşma içinse be ş dakikalık bir ve on saniyelik bir kayıt kullanıldı.