前一天在說明使用的語音特徵時有提到，模型有靜態模型跟動態模型兩種。在訓練靜態模型時，因為資料集中的語音檔是由不同人(語者，21名男性；30名女性)所錄製的，因此我們會使用 cross-speaker histogram equalization(CSHE) 的方式來消除不同語者間的差異性並且只保留情緒的變異。CSHE 會將多個實際語者轉換為一個虛擬語者，如此一來我們就能夠得到一個虛擬語者的資料分佈 ，接下來將每 個實際語者的分佈 都轉換成虛擬語者的分佈 ，流程如 圖 1。

圖 1: CSHE流程圖。 為 N 個實際語者的分佈，為一個虛擬語者的分佈

正規化的方法為直方圖均衡法(Histogram Equalization, HE)，直方圖均衡法是將連續的特徵資料視為各自獨立，並將這些資料轉換到目標分佈上。在此我們用 Y(y) 表示目標分佈而 X(x) 表示原始特徵分佈，p 表示原始特徵值，q 表示轉換後的 特徵值，轉換的公式如下：

我們分別計算 X(x) 與 Y(y) 的累積分佈函數(Cumulative Distribution Function, CDF)，再
將原始特徵值轉換至目標分佈。

動態模型的部分，採用的特徵正規化方式與語音辨識相同，是使用 CMVN (Day09)。不過在Day09時我們是對每一維特徵做 CMVN，而現在則是對每一個語者中的每一維特徵做 CMVN，因此 CMVN的數學式會變成：

其中，S為語者總數(訓練集: 26，測試集: 25)， 表示語者 s 中共有 T 個音框， 表示語者 s 中第 t 個音框的第 i 維特徵， 表示語者 s 中第 i 維特徵所有音框的平均值， 表示表示語者 s 中第 i 維特徵所有音框的標準差。

明天我們將繼續介紹前處理的部分：資料平衡與標籤(label)調整。