仅供自己学习参考，若有侵权，请联系[email protected]
声纹识别由三部分组成：特征，模型，得分。
特征方面：
MFCC/PLP感知线性预测/FBank等短时频谱特征；
D-vector (谷歌2014年提的）
Deep feature / Bottleneck feature /Tandem feature (三者不是并行关系，可以搜关键词查看相关论文）
模型方面：
GMM-UBM
JFA （Joint Factor Analysis）
GMM-UBM i-vector
Supervised-UBM i-vector
DNN i-vector （2014年微软Yun Lei等人提的）
得分方面：
SVM（早期与GMM-UBM一起使用最为后端分类器）
Cosine Distance (CDS)
LDA
PLDA
当然，随着神经网络的发展和训练数据的庞大，谷歌、微软和百度等公司使用end-to-end的方法集这三个方面于一体，效果也还可以。
