Text Independent Speaker Verification Using Adapted Gaussian Mixture Models Textoberoende talarverifiering med adapterade Gaussian-Mixture-modeller

The primary goal of this master thesis project is to implement a text independent speaker verification module for GIVES. Secondary goals are to implement a fast scoring method and compare performance between the implemented text independent module and an available text dependent module. The project also includes a literature study. The text independent module is based on adapted Gaussian Mixture Models and the adaptation equations are derived. Evaluation results show that the text independent module and the text dependent module have almost equal performance on a text dependent recognition task. The results are analyzed and summarized, and improvements are suggested. Unfortunately, the fast scoring method did not work together with all the components in GIVES. Sammanfattning Det primära målet med detta examensarbete är att implementera en textoberoende talarverifieringsmodul för GIVES. Sekundära mål är att implementera en snabb verifieringsmetod och att jämföra prestanda mellan den implementerade textoberoende modulen och en befintlig textberoende modul. Examensarbetet inkluderar ocks̊a en litteraturstudie. Den textoberoende modulen baseras p̊a adapterade Gaussian-Mixture-modeller och adapteringsekvationerna härleds. En utvärdering visar att den textoberoende modulen och den textberoende modulen har likvärdiga prestanda p̊a en textberoende igenkänningsuppgift. Resultaten analyseras och summeras, och förbättringar föresl̊as. Tyvärr s̊a fungerade inte den snabba verifieringsmetoden med alla komponenterna i GIVES.