Résumé étendu

Dans cette thèse, le problème de la vérification du locuteur indépendante du texte est abordée du point de vue de l’apprentissage statistique. Les modèles de référence en vérification du locuteur sont des modèles non-discriminants, ce qui va à l’encontre de la théorie proposée par les chercheurs en apprentissage statistique. Le but de cette thèse est d’utiliser les cadres théoriques proposés en apprentissage statistique pour mieux définir le problème de la vérification du locuteur, mieux comprendre les modèles de référence, proposer de nouvelles mesures de performance et finalement développer de nouveaux modèles discriminants.

Cette thèse se déroule comme suit. Tout d’abord, la vérification du locuteur et l’apprentissage statistique sont brièvement décrits. Les modèles de référence sont présentés et une nouvelle mesure de performance non biaisée est décrite pour comparer les modèles proposés de la manière la plus objective possible. L’apprentissage statistique nous offre un nouveau regard sur la vérification du locuteur et permet ensuite de développer un nouveau cadre théorique qui peut s’étendre à la normalisation de scores. Finalement, de nouvelles approches utilisant des modèles discriminants sont développées incluant une nouvelle mesure de similarité.