压缩感知驱动的快速说话人自适应：提升未知说话者性能

本文探讨了在有限的适配数据条件下，如何利用压缩感测技术改进说话人自适应方法。传统上，基于说话者空间的自适应方法，如本征语音（EV）和参考说话者加权（RSW），在确定最佳子空间尺寸和基向量方面存在挑战，尤其是在处理未知说话者时。文章提出了一种创新的框架，将基于高斯混合模型隐藏式马尔可夫模型（GMM-HMM）的语音识别系统中的混合成分均值向量组织成超向量，将说话人适应问题转化为从有限语音样本中恢复与说话人相关的超向量。 在这个新框架中，冗余的说话者字典由所有训练说话者的超向量和EV方法得到的超向量构成。当提供适应数据时，目标是通过从这个字典中选择一组最合适的项目，遵循最大后验原则，来构建特定说话人的最优子空间。作者提出了两种算法：匹配追踪和l1正则化优化，来解决这个问题。匹配追踪算法，虽然简单且快速，但可能存在次优解决方案；而l1正则化优化则通过直接针对自适应数据的似然性进行优化，能更好地逼近未知说话人模型。 匹配追踪算法利用了一个有效的冗余基矢量去除机制，通过迭代更新说话人坐标，确保效率。然而，它具有贪婪性质，可能导致局部最优。相比之下，l1正则化优化算法采用了更精确的梯度投影方法，通过多次迭代逐步优化，提供更准确的结果。这项研究不仅有助于提升语音识别系统的性能，还展示了压缩感测在快速适应新说话者方面的潜力，对于实际应用中的实时性和准确性具有重要意义。 本文的研究成果对于提高语音识别系统的灵活性和适应性，特别是在资源有限的情况下，具有显著的价值。同时，它也促进了压缩感测技术在语音处理领域的进一步探索和应用。