Просодические и другие долгосрочные признаки для диаризации дикторов

Диаризация дикторов определяется как задача установления того, «кто и когда говорил», по аудиозаписи без каких-либо дополнительных априорных знаний. В статье показано, как систему диаризации дикторов, соответствующую современному уровню техники, можно улучшить путем объединения традиционных кратковременных признаков (MFCC) с просодическими и другими долгосрочными признаками. Сначала представлена методика исследования различимости дикторов по 70 различным долгосрочным признакам. Затем показано, как признаки с наилучшими результатами можно объединить с кратковременными признаками для повышения точности диаризации дикторов. Результаты, измеренные на стандартизированных наборах данных (NIST RT), демонстрируют устойчивое относительное снижение примерно на 30% частоты ошибок диаризации по сравнению с лучшей системой, представленной на оценочном мероприятии NIST в 2007 году.