Programming Contest:

Roger Jang (張智星)

本作業的目的在使同學瞭解如何以GMM（Gaussian Mixture Model）的方法來進行語者辨識（Speaker Identification），並嘗試如何調整各種參數來提高辨識率。

1. 需要下載的資料：
   • exampleProgram.rar：所有的範例程式碼。
   • 語音訓練資料為各位同學所錄製的唐詩三百首，下載網址會由助教通知。

2. 如何執行範例程式：
   • 先修改 go.m 裡面的 waveDir 變數，將其設定為錄音檔按所在之目錄。
   • 在 MATLAB 輸入 go 即可。此範例共用了每個人的十句話，單數句（共 5 句）用來訓練 GMM，雙數句（共 5 句）用來測試用，inside test 辨識率約 100.00%，outside test 辨識率約 99.00%。（若稍微修改 go.m，讓程式使用每個人的所有語料，單數句用來訓練 GMM，雙數句用來測試，則 inside test 辨識率約 98.63%，outside test 辨識率約 97.26%。）

3. 範例程式說明：
   • go.m：主程式，包含載入語音訓練資料、求取特徵向量、訓練 GMM 模型，以及計算 inside test 及 outside test 的辨識率。
   • wave2mfcc.m：將語音訊號轉換成 MFCC（Mel-frequency cepstral coefficients）的函數。（由此函數轉出的特徵向量共有26維，1-12 維是 MFCC，13 維是 log energy，14-25 維是 delta MFCC，26 維是 delta log energy。但實際轉出的參數是由 setFeaturePrm.m 所控制的。）
   • gmmTrain.m 及 gmmEval.m：GMM 的訓練及計算。（這些函數是放在 dcpr 裡面。）
   • speakerID.m：利用訓練完的 GMM 來進行語者辨識，並算出辨識率。

4. 如何更改範例程式，以得到較好的辨識率(請參考 "Robust Text-Independent Speaker Identification using Gaussian Mixture Speaker Models")：
   • 為了展示方便，go.m 只有採用少數語句，若要測試所有語句，運算時間就會變長很多，所以你要找一台快速的電腦。
   • 在端點偵測方面，可將含有 silence 的音框都拿掉，甚至連氣音都應該拿掉。
   • 在辨識參數方面，可以嘗試：
     • 改變 Gaussian component 的個數。（但不能盲目提高 Gaussian component 的個數，否則會發生 inside test 的辨識率極高，但 outside test 的辨識率卻極低的情況。）
     • 改變不同的 k-means 的啟始方法，使得 GMM 的訓練能夠得到較好的啟始點。
     • 改用 center-splitting 的 VQ 方法（vqLbg.m）。
     • 提高 gmmTrain 的迴圈次數，看是否能得到更大的 log probability。
     • 設法不讓 variance 變的太小。
   • 在特徵向量擷取方面，可以進行下列事項：
     • 採用 HTK 的 feature extraction 函數（htkWave2mfccMex.dll）。
     • 只取用2-12維的 MFCC。
     • Cepstral mean normalization
     • Difference coefficients
     • Frequency warping
   • 在加速計算方面：
     • 可以將呼叫 vqKmeans.m 之處改為呼叫 vqKmeansMex.dll，將會使速度加快。
     • 若嫌 gmmTrain.m 太慢，你也可以自己寫一個 C 的版本。

5. 效能測試：助教會進行 inside test 和 outside test，以兩者之平均值做為效能指標。

6. 應該上傳的檔案：
   • gmmPrm.mat：GMM的參數檔案
   • 若有修改 wave2mfcc.m，請一併上傳。
   • method.txt：簡要說明你的方法
   • 任何其他你修改過的程式。