Sukurti sistemą, kuri geba atpažinti kalbėtoją iš trumpų garso įrašų, taikant mašininio mokymosi metodus.

• Naudotas kelių kalbėtojų garso įrašų rinkinys (10 kalbėtojų, po kelis įrašus kiekvienam).
• Įrašai trumpi (1–3 sekundės), WAV formatu.
• Katalogo struktūra:

  dataset/
  ├── speaker1/
  ├── speaker2/
  └── ...
  

Iš kiekvieno įrašo išgauti šie požymiai:

• MFCC (13 koeficientų, su vidurkiu ir standartiniu nuokrypiu)
• Chroma (vidurkis ir standartinis nuokrypis)
• Tonnetz (vidurkis ir standartinis nuokrypis)

Trumpi įrašai (<2048 mėginių) buvo automatiškai prailginti nuliais (zero-padding), kad būtų užtikrintas skaičiavimų stabilumas.

Naudotas SVM (Support Vector Machine) su linear branduoliu.

• Požymiai normalizuoti naudojant StandardScaler.
• Duomenys padalyti: 80% – mokymui, 20% – testavimui.

Buvo pridėtas white noise (noise_level = 0.05) prie testavimo požymių.

Pastaba: triukšmas buvo pridėtas prie išskaičiuotų požymių. Realistiškesniam testavimui rekomenduojama triukšmą taikyti tiesiai WAV įrašams prieš požymių skaičiavimą.

• Modelis sėkmingai atpažino visus kalbėtojus, net esant labai trumpiems įrašams.
• MFCC, Chroma ir Tonnetz požymiai pasirodė esantys labai efektyvūs.
• SVM modelis su linear branduoliu buvo tinkamas pasirinkimas šiai užduočiai.
• Tolimesniems bandymams verta įtraukti triukšmą ankstesnėse stadijose bei didesnius, įvairesnius duomenis.