【正文】 說(shuō)話人識(shí)別研究中普遍采用的參數(shù)。因此特征提取是說(shuō)話人識(shí)別系統(tǒng)中的重要組成部分。 ② 參數(shù)模型是指采用某種概率密度函數(shù)來(lái)描述說(shuō)話人的語(yǔ)音特征空間的分布情況，并以該概率密度函數(shù)的一組參數(shù)來(lái)作為說(shuō)話人的模型。 統(tǒng)計(jì)概率模型法 是目前比較常用且有效的方法。 DTW 是在一種常用的補(bǔ)償說(shuō)話率偏差的方法，缺點(diǎn)是對(duì)說(shuō)話人模型參數(shù)的存儲(chǔ)需要比較大，在數(shù)據(jù)量比較大時(shí)，識(shí)別性能不好。M 個(gè)碼本矢量構(gòu)成了該說(shuō)話人的矢量量化模型。 HMM 在與文本有關(guān)的說(shuō)話人識(shí)別中取得了較好的商用化效果，像現(xiàn)在使用的 IBM 公司的 Via Voice 軟件等。目前，此方法也成為與文本無(wú)關(guān)說(shuō)話人確認(rèn)的主流方法。 GMM 不像 HMM 那樣需要利用狀態(tài)轉(zhuǎn)移概率信息來(lái)約束相鄰特征參數(shù)的變化，所 以計(jì)算量要小的多。其中一個(gè)是馬爾可夫鏈，他描述了狀態(tài)之間的轉(zhuǎn)移，這是一個(gè)比較重要的概念，特別在與文本有關(guān)的識(shí)別中起了很好的作用；另一個(gè)隨機(jī)過(guò)程則描述了狀態(tài)和觀察值之間的對(duì)應(yīng)關(guān)系。從語(yǔ)音信號(hào)中提取的說(shuō)話人特征，常是一多維矢量的時(shí)間序列。 （ 1） 動(dòng)態(tài)時(shí)間規(guī)整法（ Dynamic TimeWarping， DTW） DTW 是將距離測(cè)度與時(shí)間規(guī)整結(jié)合起來(lái)的一種非線性規(guī)整技術(shù)。 說(shuō)話人識(shí)別的主要模型 在 說(shuō)話人識(shí)別中，不同識(shí)別方法的區(qū)別在選用什么樣的模型以及測(cè)試語(yǔ)音信號(hào)與模型匹配的方法上。 測(cè)試音的特征與說(shuō)話人模型進(jìn)行匹配，計(jì)算匹配距離。說(shuō)話人識(shí)別系統(tǒng)結(jié)構(gòu)如圖 26 所示 九江學(xué)院學(xué)士學(xué)位論文 19 圖 26 說(shuō)話人識(shí)別系統(tǒng)結(jié)構(gòu) 從圖 26 中，我們可知說(shuō)話人識(shí)別系統(tǒng)主要包括兩個(gè)部分：特征提取和模式匹配。 不同的特征參數(shù)其物理意義不同。通常為每一個(gè)說(shuō)話人建議一個(gè)模型。預(yù)處理之后的工作都是基于平穩(wěn)這一假設(shè)。 說(shuō)話人識(shí)別原理主要包括兩個(gè)階段 —— 訓(xùn)練（注冊(cè)）階段和識(shí)別（驗(yàn)證）階段。使用這種方法建立的模型相對(duì)麻煩，但用戶(hù)使用方便，應(yīng)用范圍較寬，不易被錄音模仿，是當(dāng)前的研究重點(diǎn)。 圖 24 說(shuō)話人確認(rèn) 說(shuō)話人切分和聚類(lèi) (Speaker Segmentation and Clustering)，也稱(chēng)說(shuō)話人探測(cè)與跟蹤，是指在一長(zhǎng)段包含特定說(shuō)話人 Z 的多人語(yǔ)音中，使用某種 方法找出語(yǔ)音 Z的起止位置點(diǎn)并正確標(biāo)注出來(lái)。短時(shí)平均過(guò)零率可以粗略估計(jì)語(yǔ)音的頻譜特性，它與語(yǔ)音的清濁特性存在著一定 的對(duì)應(yīng)關(guān)系。在實(shí)際使用中通常選用其中的一種。 、加窗 —— 語(yǔ)音信號(hào)的準(zhǔn)平穩(wěn)特性，使得只在短時(shí)段上才可視為一個(gè)平穩(wěn)過(guò)程，可以用對(duì)平穩(wěn)過(guò)程的分析方法進(jìn)行分析，因此需將語(yǔ)音信號(hào)劃分為一個(gè)一個(gè)的短時(shí)段，每一短時(shí)段稱(chēng)為一幀。這里介紹的語(yǔ)音信號(hào)的數(shù)字模型雖然已經(jīng)在許多方面得到了成功的應(yīng)用，但它畢 竟也存在著某些局限性。 P 值越大，則模型的傳輸函數(shù)和實(shí)際聲道的傳輸函數(shù)的吻合程度越高。共振峰及其帶寬取決于聲道的形狀和尺寸，因而不同的語(yǔ)音對(duì)應(yīng)于一組不同的共振峰參數(shù)。而要發(fā)出構(gòu)成語(yǔ)音的音素，還需靠唇、齒、舌、腭。當(dāng)鼻道下垂時(shí)，鼻道和聲道發(fā)生耦合而產(chǎn)生語(yǔ)音中的鼻音。 第二章 介紹了說(shuō)話人識(shí)別的基本原理和說(shuō)話人識(shí)別系統(tǒng)的結(jié)果、模型。目前補(bǔ)償技術(shù)主要從三個(gè)方面考慮，即分別從特征域、模型域和似然比得分進(jìn)行模型補(bǔ)償。在進(jìn)行語(yǔ)音信號(hào)提取之前，將語(yǔ)音中噪聲部分有效的去除，使去噪后的語(yǔ)音背景和信噪比與訓(xùn)練語(yǔ)音相似，特征提取的時(shí)候就能得到較為理想的語(yǔ)音特征。 等人證明，通常的說(shuō)話人識(shí)別系統(tǒng)在噪聲干擾情況下識(shí)別效果會(huì)嚴(yán)重下降。 人與人之間聲音存在差異使得自動(dòng)說(shuō)話人識(shí)別技術(shù)能夠成為可能，但同時(shí)也正是因?yàn)槿说恼Z(yǔ)音具有多變性使得這個(gè)問(wèn)題變得復(fù)雜起來(lái)。 4. 文本無(wú)關(guān)的說(shuō)話人識(shí)別技術(shù)是當(dāng)今說(shuō)話人識(shí)別研究的又一個(gè)熱點(diǎn)。語(yǔ)音特征參數(shù)對(duì)說(shuō)話人識(shí)別系統(tǒng)的性能至關(guān)重要，雖然倒譜參數(shù)得到廣泛應(yīng)用，但語(yǔ)音特征參數(shù)仍是一個(gè)研究熱點(diǎn)。其中語(yǔ)音特征提取和識(shí)別系統(tǒng)模型的建立是說(shuō)話人識(shí)別技術(shù)研究的重點(diǎn)。如何將語(yǔ)音識(shí)別和說(shuō)話人識(shí)別有機(jī)的結(jié)合起來(lái)，對(duì)于這一點(diǎn)，指定文本型的說(shuō)話人識(shí)別是一個(gè)有益的嘗試。在漢語(yǔ)語(yǔ)音識(shí)別中，全體音節(jié)的集合很小，其數(shù)目?jī)H幾百個(gè)，而全體漢語(yǔ)說(shuō)話人卻有 14 億多，對(duì)于由同一語(yǔ)音信號(hào)組成的特征空間，語(yǔ)音識(shí)別要將其劃分為 M 個(gè)子空間， M 為音節(jié)個(gè)數(shù)，而說(shuō)話人識(shí)別要將其劃分為 N 個(gè)子空間， N 為說(shuō)話人個(gè)數(shù)，由于 N 遠(yuǎn)大于 M，使得識(shí)別說(shuō)話人要比識(shí)別所說(shuō)的內(nèi)容復(fù)雜，而且當(dāng) N 很大時(shí)，說(shuō)話人識(shí)別還在理論上存在將有限特征空間進(jìn)行無(wú)限劃分的問(wèn)題，這是說(shuō)話人識(shí)別所面臨的新問(wèn)題。因?yàn)檎f(shuō)話人的發(fā)音常常與環(huán)境、說(shuō)話人的情緒、說(shuō)話人的健康狀況有密切關(guān)系，說(shuō)話人的語(yǔ)音特征不是靜態(tài)的、固定不變的，它具有時(shí)變特性。 （ 5）實(shí)現(xiàn)算法簡(jiǎn)單 —— 聲紋辨認(rèn)和確認(rèn)的算法復(fù)雜度低 ， 配合一些其他措施，如通過(guò)語(yǔ)音識(shí)別進(jìn)行內(nèi)容鑒別等，可以提高準(zhǔn)確率 。另外，現(xiàn)在很多法庭已經(jīng)使用聲紋作為鑒別犯罪的依據(jù)。因此，在網(wǎng)上交易時(shí)采用說(shuō)話人識(shí)別技術(shù)要比其他生物識(shí)別技術(shù)更具有優(yōu)勢(shì)，且操作方便、簡(jiǎn)潔，很容易為廣大計(jì)算機(jī)使用者接受。 由于每個(gè)人的聲音特征都是唯一的，而且?guī)缀鹾苌贂?huì)發(fā)生變化的。 作為 生物特征識(shí)別技術(shù)的一種 ，說(shuō)話人識(shí)別技術(shù)在 聲音撥號(hào)、電話銀行、電話購(gòu)物、數(shù)據(jù)庫(kù)訪問(wèn)、信息服務(wù)、語(yǔ)音電子郵箱、安全控制、計(jì)算機(jī)遠(yuǎn)程登陸等 互聯(lián)網(wǎng)及通信 領(lǐng)域 得到廣泛應(yīng)用； 在呼叫中心應(yīng)用上， 說(shuō)話人 識(shí)別技術(shù)同樣提供更加個(gè)性化的人機(jī)交互 ； 在軍事領(lǐng)域， 說(shuō)話人 識(shí)別技術(shù)用于戰(zhàn)場(chǎng)監(jiān)聽(tīng)，以辨認(rèn)出敵方的指揮員 ； 在生物識(shí)別技術(shù)領(lǐng)域中， 說(shuō)話人 識(shí)別 技術(shù) 日益成為人們?nèi)粘Ｉ詈凸ぷ髦兄匾移占暗陌踩?yàn)證方式。近年來(lái)，各個(gè)分支都取得了很大的進(jìn)步，已經(jīng)深入應(yīng)用到通信、辦公自動(dòng)化、遠(yuǎn)程控制、聲控電話撥號(hào)、計(jì)算機(jī)語(yǔ)音應(yīng)答、機(jī)器人聽(tīng)覺(jué)與口語(yǔ)系統(tǒng)等使用系統(tǒng)中。語(yǔ)音信號(hào)本身就是時(shí)域信號(hào)，因而時(shí)域分析是最早使用的應(yīng)用范圍最廣的一種方法。 語(yǔ)音信號(hào)處理雖然包括了語(yǔ)音通信、語(yǔ)音合成和語(yǔ)音識(shí)別等方面的內(nèi)容，但其前提是對(duì)語(yǔ)音信號(hào)進(jìn)行分析。語(yǔ)音信號(hào)的數(shù)字表示基本上可以分為兩大類(lèi)：波形表示和參數(shù)表示。 本文介紹了 說(shuō)話人識(shí)別的概念、原理及其識(shí)別實(shí)現(xiàn)的方法，指出了說(shuō)話人識(shí)別技術(shù)的應(yīng)用前景。通過(guò)在 、線性預(yù)測(cè)倒譜和Mel頻率倒譜等 特征參 數(shù)進(jìn)行提取、分析、對(duì)比、識(shí)別實(shí)現(xiàn)一個(gè)簡(jiǎn)單的說(shuō)話人識(shí)別系統(tǒng)，實(shí)驗(yàn)結(jié)果表明實(shí)驗(yàn)正確、有效。波形表示僅僅是通過(guò)采樣和量化的過(guò)程保存模擬語(yǔ)音信號(hào)的“波形”，而參數(shù)表示則是把語(yǔ)音信號(hào)表示成某種語(yǔ)音產(chǎn)生模型輸出。只有將語(yǔ)音信號(hào)表示成其本質(zhì)特征的參數(shù)，才有可能利用這些參數(shù)進(jìn)行高效的語(yǔ)音通信，才能建立用于語(yǔ)音合成的語(yǔ)音庫(kù)，也才可能建立用于識(shí)別模版或知識(shí)庫(kù)。時(shí)域分析具有簡(jiǎn)單直觀、清晰易懂、運(yùn)算量小、物理意義明確等優(yōu)點(diǎn)；但更為有效的分析多是圍繞頻 域進(jìn)行的，因?yàn)檎Z(yǔ)音中最重要的感知特性反映在其功率譜中，而相位變化只起著很小的作用。本文要進(jìn)行的是語(yǔ)音信號(hào)處理在說(shuō)話人識(shí)別中的應(yīng)用，以完成說(shuō)話人識(shí)別系統(tǒng)的功能實(shí)現(xiàn)。 九江學(xué)院學(xué)士學(xué)位論文 3 第一章 說(shuō)話人識(shí)別研究 說(shuō)話人識(shí)別 (Speaker Recognition， SR)技術(shù)，也常被人們稱(chēng)為聲紋識(shí) 別(Voiceprint Recognition， VR)技術(shù)，是生物認(rèn)證技術(shù)的一種。說(shuō)話人識(shí)別技術(shù)正式根據(jù)這一特性，利用語(yǔ)音信號(hào)中說(shuō)話人特有的“語(yǔ)音個(gè)性”，而不考慮語(yǔ)音中的字詞意思，通過(guò)說(shuō)話人識(shí)別系統(tǒng)對(duì)用戶(hù)進(jìn)行身份識(shí)別。 —— 對(duì)于大量的錄音素材，將說(shuō)話人識(shí)別技術(shù)與連續(xù)語(yǔ)音識(shí)別技術(shù)相結(jié)合，可以檢索出其中我們感興趣的特定人所說(shuō)的內(nèi)容。當(dāng)然，這也需要防止發(fā)音偽裝的問(wèn)題。 （ 6） 隱私保護(hù)性強(qiáng) —— 說(shuō)話人識(shí)別技術(shù)采用語(yǔ)音特征進(jìn)行身份確認(rèn)，只需提供語(yǔ)音信號(hào)，不 涉及隱私問(wèn)題，用戶(hù)無(wú)任何心理障礙。會(huì)隨時(shí)間、年齡和健康狀況的變化而變化；另外，傳輸語(yǔ)音的通信通道的時(shí)變效應(yīng)問(wèn)題也是語(yǔ)音信號(hào)產(chǎn)生變異的重要方面。 5. 噪聲問(wèn)題。 3. 說(shuō)話人識(shí)別系統(tǒng)的性能評(píng)價(jià)問(wèn)題。上述提到的問(wèn)題主要是這兩方面引起的，其系統(tǒng)的優(yōu)劣性也往往取決于這兩方面。尋找新的有效的語(yǔ)音特征參 數(shù)以及已有特征參數(shù)的有效組合是語(yǔ)音特征參數(shù)研究的兩個(gè)方向。 影響說(shuō)話人識(shí)別性能的因素 說(shuō)話人識(shí)別技術(shù)發(fā)展至今已經(jīng)變的相當(dāng)成熟，而且在國(guó)際上已經(jīng)有了一些成功的應(yīng)用。語(yǔ)音是人的固有生物特征，但同時(shí)也是人的一種行為，它同時(shí)具有行為和屬性?xún)煞N特點(diǎn)，個(gè)人的屬性可以不變，而行為卻是每一次都不完全相同的。 DOBTOTH 等學(xué)者從電話交換機(jī)上獲取的語(yǔ)音信號(hào)表示， %的對(duì)話過(guò)程中都含有其他噪聲信號(hào)干擾。 提取對(duì)噪聲不敏感 的語(yǔ)音特征參數(shù)屬于特征級(jí)抗噪處理方法，如果所提取的特征對(duì)噪聲免疫，這種語(yǔ)音特征就有了抗噪聲的能力。 —— 通常實(shí)驗(yàn)室中的說(shuō)話人識(shí)別系統(tǒng)都要求使用者花費(fèi)大量的時(shí)間來(lái)訓(xùn)練和識(shí)別，以獲取高識(shí)別率，或者通過(guò)大容量的語(yǔ)音數(shù)據(jù)庫(kù)來(lái)做到這一點(diǎn)。 第三章 對(duì)本文所采用的特征參數(shù) 線性預(yù)測(cè)倒譜、 Mel 頻率倒譜和基音周期進(jìn)行介紹，以及給出在 MATLAB 中對(duì)這些參數(shù) 提取的方法。這些結(jié)構(gòu)對(duì)每個(gè)人來(lái)說(shuō)都是有差異的，由此造成了每個(gè)人的生源普、基音頻率、共振峰頻率以及帶寬的不同。盡管世界上有著上千種不同的語(yǔ)音，構(gòu)成語(yǔ)音的音素卻是大同小異。 語(yǔ)音產(chǎn)生模型 建立語(yǔ)音信號(hào)的數(shù)學(xué)模型對(duì)于語(yǔ)音處理具有重要意義。當(dāng)然 P 值也不能取的太大，一般情況下， P 取 8~12。因此，在應(yīng)用這種模型時(shí)，要注意其適用條件。為了盡可能不丟失語(yǔ)音信號(hào)動(dòng)態(tài)變化的信息，需要使幀與幀之間平滑過(guò)渡，保持其連貫性，通常使相鄰的兩幀有一部分的重疊，交疊的部分稱(chēng)為幀移。 —— 端點(diǎn)檢測(cè)是根據(jù)語(yǔ)音的特點(diǎn)及其參數(shù)的統(tǒng)計(jì)規(guī)律，從一段語(yǔ)音中找出語(yǔ)音信號(hào)的開(kāi)始位置點(diǎn)和終止位置點(diǎn)。單純依賴(lài)短時(shí)平均過(guò)零率不可能準(zhǔn)確判斷清濁音，只能配合短時(shí)能量進(jìn)行判斷。 （ 2） 按識(shí)別對(duì)象的不同可以分為三類(lèi)： 文本相關(guān) 、 文本無(wú)關(guān) 、指定問(wèn)文本待識(shí)別語(yǔ)音 判斷是誰(shuí)說(shuō)的 S1 . . . Si SN 待識(shí)別語(yǔ)音 判斷是否是 Si說(shuō)的 S1 . . . Si SN 基于聲紋的說(shuō)話人特征識(shí)別 16 的說(shuō)話人識(shí)別。 指定問(wèn)文本的說(shuō)話人識(shí)別，是指在識(shí)別過(guò)程中，用戶(hù)的文本是由識(shí)別裝置向用戶(hù)指定的，只有在確認(rèn)用戶(hù)對(duì)指定的文本內(nèi)容正確發(fā)音時(shí)，才可以接受該用戶(hù)。在訓(xùn)練階段，每個(gè)用戶(hù)分別說(shuō)出若干訓(xùn)練語(yǔ)句，系統(tǒng)據(jù)此經(jīng)過(guò)相應(yīng)的預(yù)處理和特征提取后對(duì)其進(jìn)行分析 ，并為每個(gè)用戶(hù)建立一個(gè)能夠描述這一用戶(hù)說(shuō)話個(gè)性特征的模版或模型庫(kù)，用來(lái)作為這一用戶(hù)個(gè)性特征的標(biāo)準(zhǔn)圖案。預(yù)處理主要進(jìn)行以下幾個(gè)方面的工作：濾波、模數(shù)轉(zhuǎn)換、自動(dòng)增益控制、去除噪聲、預(yù)加重、端點(diǎn)檢測(cè)和自動(dòng)分段。 模式匹配 建立參考模版或模型 識(shí)別判斷 預(yù)處理 特征提取 識(shí)別 訓(xùn)練 自適應(yīng) 基于聲紋的說(shuō)話人特征識(shí)別 18 計(jì)算測(cè)試音與說(shuō)話人模型的匹配距離或者似然概率，來(lái)進(jìn)行匹配計(jì)算。以全極點(diǎn)模型為基礎(chǔ)的 LPCC 可以很精確的反映語(yǔ)音信號(hào)的頻譜幅度，在應(yīng)用于說(shuō)話人時(shí)，一般 8~32 維的 LPCC 就能很好表征聲道特性。特征提取的任務(wù)是選取唯一表現(xiàn)說(shuō)話人身份的有效且穩(wěn)定可靠的用戶(hù)語(yǔ)音特征；模式匹配的任務(wù)是對(duì)訓(xùn)練和識(shí)別時(shí)的特征模式進(jìn)行相似的匹配。說(shuō)話人確認(rèn)時(shí)，只與所聲稱(chēng)說(shuō)話人的模型進(jìn)行匹配額匹配距離計(jì)算；說(shuō)話人辨認(rèn)時(shí)，與所有人的模型進(jìn)行匹配和匹配距離計(jì)算。常用的模型大體上可以分為三類(lèi)：模板匹配法 —— 動(dòng)態(tài)時(shí)間規(guī)整法和矢量量化法；概率模型法 —— 高斯混合模型和隱馬爾可夫模型；辨別分類(lèi)器法 —— 人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。這里我們假設(shè)：參考模板特征 矢量為 M21 aaa ， ? ；輸入語(yǔ)音特征矢量為 Nbbb 21 ， ? ，NM? 。矢量量化模型就是從這些矢量中尋找少數(shù)具有代表性的典型矢量進(jìn)而構(gòu)成的說(shuō)話人模型。應(yīng)用 HMM 模型進(jìn)行說(shuō)話人識(shí)別時(shí)，也是先要對(duì)說(shuō)話人的特征參數(shù)矢量進(jìn)行訓(xùn)練，得到每個(gè)說(shuō)話人的一組 HMM 模型參數(shù)，記為 ? ?iiii BA，?? ? 。在 VQ 方法中，碼書(shū)矢量只描述了語(yǔ)音特征在特征空間中的聚類(lèi)中心信息，是對(duì)說(shuō)話人特征的不完整描述； GMM 則是對(duì)特征參數(shù)矢量分布的完整描述，它對(duì)每一個(gè)說(shuō)話人模型用一種概率密度函數(shù)表示，特別是在與文本無(wú)關(guān)的說(shuō)話人識(shí)別中， GMM 已經(jīng)成為占統(tǒng)治性地位的識(shí)別方法。所以，后來(lái)在 GMM 的基礎(chǔ)上引入了高斯混合 通用背景模型（ GMMUBM），該模型通常由數(shù)百甚至上千的大量語(yǔ)音訓(xùn)練得到，在識(shí)別過(guò)程中 對(duì)于短的訓(xùn)練語(yǔ)音未覆蓋到的部分就可以用UBM 中的特征加以近視。 識(shí) 別 時(shí) 用 測(cè) 試 語(yǔ) 音 特 征 矢 量 求 解 的 最 大 后 驗(yàn) 概 率? ?? ?NiP i ?2,1,|0m a x ?? 對(duì)應(yīng)的說(shuō)話人就是識(shí)別的結(jié)果。用矢量量化模型識(shí)別說(shuō)話人的過(guò)程如下： 對(duì)某一說(shuō)話人，其訓(xùn)練語(yǔ)音的特征矢量序列通過(guò)聚類(lèi)算法可聚為 M 類(lèi)，求每類(lèi)中的所有矢量的均值（或選擇類(lèi)中的一個(gè)成員）就得到了每類(lèi)的碼本矢量。此方 法就是通過(guò)利用滿足上述條件的 ??nw 來(lái)描述輸入模板與參考模板的世間對(duì)應(yīng)關(guān)系，求解這兩個(gè)模板匹配時(shí)累積距離最小所對(duì)應(yīng)的規(guī)整函數(shù)。匹配方法中經(jīng)常使用歐