通过前面对run.sh的初步学习，大概搞懂了Aishell的步骤，可以看到这篇文章【kaldi学习.4】Aishell V1（说话人识别、声纹识别）中的run.sh详解 - 简书，其中主要涉及到MFCC、UBM、I-vector、Plda这四个模型，今天这篇文章就是来了解其中一个模型I-vector。
MFCC、UBM的理论基础可以见这篇文章声纹识别（说话人识别）.2 - 简书，MFCC是提取特征，UBM是通用背景模型。plda后期会讲。
I-vector
受到JFA理论的启发，Dehak提出了从GMM均值超矢量中提取一个更紧凑的矢量，称为I-Vector。即为Identity-Vector。
1 均值超矢量
均值超矢量(supervector)是GMM-UBM模型的最终结果。在GMM-UBM框架下，说话人模型是从UBM模型自适应得到的，过程中只改变了均值的大小，因此说话人之间的区别信息都蕴含在GMM的均值矢量中。将说话人GMM模型的每个高斯成分的均值堆叠起来，形成一个高维的超矢量，即为均值超矢量。假设语音声学特征参数的纬度为P，GMM的混合度为M(M个高斯成分)，那么这个GMM的均值超矢量的维度为MP。均值超矢量生成过程如下图：
2 模型概述
在I-Vector模型中，我们采用全局差异空间(Total Variability Space，T)，即包含了说话者之间的差异又包含了信道之间的差异。所以I-Vector的建模过程在GMM均值超矢量中不严格区分话者的影响和信道的影响。
给定说话人s的一段语音h，这一新的说话人及信道相关的GMM均值超矢量定义为如下公式：
其中，是说话人与信道独立的均值超矢量，即为UBM的均值超矢量，该超矢量与具体说话人以及信道无关；T为全局差异空间，
为全局差异空间因子，它的后验均值，即为I-Vector矢量，它先验地服从标准正态分布。
服从均值
协方差矩阵为
的正态分布。
在给定的公式(如下)中，M和m是我们可以计算的出的，而全局差异空间矩阵(T)和全局差异空间因子(w)是我们需要估计的。
在I-Vector的确认中，我们需要基于如下两个关键步骤：
1、全局差异空间矩阵T的估计
2、I-Vector的估计
这就是为什么在kaldi中，要先训练I-Vector，然后再提取I-Vector，训练时为了得到M、m、T，，然后根据
，来提取I-Vector——
。
3 全局差异空间矩阵T的估计
全局差异空间矩阵(T)认为所有给定的数据都来自不同的说话人，即使是一个说话人的多段语音也同样认为是来自不同人。
对于此我们的采用如下过程来估计T矩阵：
1、计算训练数据库中每个说话人所对应的Baum-Welch统计量
2、随机产生T的初始值。采用如下EM算法，迭代估计T矩阵
E-Step：计算隐变量
的后验分布，
的后验均值和后验相关矩阵的期望形式。
M-Step：最大似然值重估，重新更新T矩阵。
多次迭代(大概10次)之后，得到全局差异空间矩阵T。
具体计算过程
3.1 计算Baum-Welch统计量
给定说话人和他的特征矢量序列
,假设GMM-UBM有
个高斯分类，每一个高斯分量
，本文定义混合权值、均值矢量、协方差矩阵对应的Baum-Welch统计量如下公式：
其中,在每一时刻，
是特征矢量
相对于每一个高斯分量
的状态占有率，也就是在
时刻
落入
状态的后延分布。计算公式如下：
其中，为UBM中
分量的混合权值。在Baum-Welch统计量中，我们可以定义
和
为一阶、二阶中心统计量：
用Baum-Welch统计量表示为：
3.2 E步骤
计算隐变量的后验分布：
对说话人的第
段语音，令
为：
那么，在给定说话人第
段语音的特征矢量和参数集
的条件下，w s,h的后验分布是
均值为：,协方差矩阵为
的高斯分布。
写成期望形式：
3.3 M步骤
最大似然值重估：
通过训练集计算如下统计量：
同样对于每一个高斯混合分量和特征参数的每一维
，令
,则说话人全局差异空间矩阵T的更新公式如下：
循环EM步骤后，全局差异空间矩阵训练完毕。
4 I-vector提取
得到T后，接下来就可以提取I-vector矢量，即式中的，具体过程如下：
1、计算数据库中每个目标说话人所对应的Baum-Welch统计量
2、读入已训练好的全局差异空间矩阵T
3、把已知的代入式中，求出
，然后计算
的后验均值，即I-vector。
参考：
https://blog.csdn.net/weixin_38206214/article/details/81541497
https://blog.csdn.net/weixin_38206214/article/details/81096092
