Липкий HDP-HMM с применением к диаризации говорящих

Рассматривается задача диаризации говорящих, то есть разбиения аудиозаписи совещания на временные сегменты, соответствующие отдельным говорящим. Эта задача особенно сложна, поскольку нельзя предполагать, что число участников совещания известно. Для ее решения используется байесовский непараметрический подход к диаризации говорящих, основанный на скрытой марковской модели с иерархическим процессом Дирихле (HDP-HMM), предложенной Teh и соавторами [J. Amer. Statist. Assoc. 101 (2006) 1566–1581]. Хотя базовая модель HDP-HMM склонна к чрезмерной сегментации аудиоданных, создавая избыточные состояния и осуществляя частые переходы между ними, описывается расширенная модель HDP-HMM, обеспечивающая эффективный контроль частоты переключений. Также показывается, что это расширение позволяет непараметрически моделировать распределения эмиссий. Для масштабирования полученной архитектуры на реалистичные задачи диаризации разработан алгоритм выборки, использующий усеченное приближение процесса Дирихле для совместной повторной выборки полной последовательности состояний, что значительно улучшает скорость перемешивания. На эталонном наборе данных NIST показано, что предложенная байесовская непараметрическая архитектура обеспечивает результаты диаризации говорящих, соответствующие современному передовому уровню.