【正文】 ............................................................................ 29 Matlab 中實現(xiàn) MFCC 的提取 ........................................................ 31 基音周期的提取 ........................................................................................... 33 基音周期的介紹 ................................................................................. 33 短時自相關(guān)函數(shù) ................................................................................. 34 MATLAB 中實現(xiàn)基音周期的提取 ................................................ 35 第四章 說話人識別系統(tǒng)的實現(xiàn) ................................................................................ 36 實驗實現(xiàn)的環(huán)境 ........................................................................................... 36 WAV 聲音文件格式分析 ........................................................................... 36 實驗平臺的選擇 ............................................................................................ 37 錄音 ................................................................................................................ 37 預(yù)處理和端點檢測 ....................................................................................... 37 實驗所用語音庫的建立 ................................................................................ 38 系統(tǒng)實驗框圖和步驟 ................................................................................... 39 實驗結(jié)果和分析 ............................................................................................ 41 實驗結(jié)果 ............................................................................................. 41 結(jié)果分析 ............................................................................................ 46 小結(jié) ............................................................................................................... 46 參考文獻(xiàn) ...................................................................................................................... 47 附 錄 .......................................................................................................................... 48 致 謝 .......................................................................................................................... 62 九江學(xué)院學(xué)士學(xué)位論文 1 引 言 語音是人類交流信息的基本手段。例如，利用線性預(yù)測分析來進(jìn)行語音合成，其先決條件是要先用線性預(yù)測方法分析語音庫，如果線性預(yù)測分析獲得的語音參數(shù)較好，則用此參數(shù)合成的 語音音質(zhì)就好。這就使得每個人的語 音聲學(xué)特征既有相對穩(wěn)定性，又有變異性，不是絕對、一成不變的。 說話人識別應(yīng)用領(lǐng)域 由于與其他生物識別技術(shù)相比，說話人識別技術(shù)具有不可遺忘和忘記、不需記憶、使用方便等優(yōu)點，同時說話人識別還具有更為準(zhǔn)確、經(jīng)濟(jì)及可擴(kuò)展性良好等眾多優(yōu)勢，因 此，說話人識別技術(shù)在以下許多方面得到廣泛應(yīng)用。此外，與其他生物認(rèn)證技術(shù)相比，說話人識別技術(shù)還有以下幾個方面的優(yōu)勢： （ 1） 用戶 接受程度高 —— 以說話人的聲音作為特征進(jìn)行識別，用戶不需要記住復(fù)雜、繁多、易 忘的密碼，不需要隨時準(zhǔn)備著攜帶智能卡、鑰匙之類的東西，九江學(xué)院學(xué)士學(xué)位論文 5 更不需要像其他生物識別技術(shù)一樣，刻意的用手觸摸傳感器或把眼睛湊向攝像頭，是一種比較自然的識別技術(shù)。說話人識別中存在的噪音、多通道、情感等熱點研究方向都屬于這方面。 4. 可靠性和經(jīng)濟(jì)性。如 HMM 模型與神經(jīng)網(wǎng)絡(luò)， HMM 模型與支持向量機 SVM（ Support Vector Machine）的結(jié)合都可以有效地改善系統(tǒng)的性能。僅僅依靠發(fā)音器官的特點而提取出來的特征不足以表示每個說話人的特點。隨著人們對人耳聽覺系統(tǒng)生理特征的認(rèn)識，這兩年語音識別領(lǐng)域提出了一些比較新的抗噪聲語音特征，比如基于聽覺掩蔽特性的特征參數(shù)、基于人耳聽覺響度特性的特征參數(shù)、基于人耳聽覺子帶特征的提取。 基于聲紋的說話人特征識別 10 第二章 說話人識別的基本介紹 語音的基礎(chǔ)知識 在前面我們提到過一些語音的相關(guān)知識，這里我們將繼續(xù)并更加詳細(xì)具體的談到語音方面的知識。清音具有一定的隨機性。 輻射模型 R(z)與嘴形有關(guān)，研究表明，口唇輻射在高頻端較為顯著，在低頻端時影響較小，所以輻射模型 R(z)為一階高通濾波器的形式。分幀是用可移九江學(xué)院學(xué)士學(xué)位論文 13 動的有限長度窗口進(jìn)行加權(quán)的方法來實現(xiàn)的。 圖 22 語音信號處理分類 說話人識別與語音識別的區(qū)別在于，說話人識別不注重包含在語音信號中的文字符號信息及語義內(nèi)容，而是著眼于語音信號體現(xiàn)的個人特征。 （ 3） 按照說話人的語音來源可分為兩類：開集、閉集的說話人識別。其中端點檢測、自動分 段的準(zhǔn)確性與否直接影響系統(tǒng)性能的優(yōu)劣。也就是說，當(dāng)只假設(shè)用 AR 信號分析時結(jié)果偏差會很大。 ① 典型的 非參數(shù)模型有模板匹配、矢量量化模型等。此方 法就是通過利用滿足上述條件的 ??nw 來描述輸入模板與參考模板的世間對應(yīng)關(guān)系，求解這兩個模板匹配時累積距離最小所對應(yīng)的規(guī)整函數(shù)。 識 別 時 用 測 試 語 音 特 征 矢 量 求 解 的 最 大 后 驗 概 率? ?? ?NiP i ?2,1,|0m a x ?? 對應(yīng)的說話人就是識別的結(jié)果。在 VQ 方法中，碼書矢量只描述了語音特征在特征空間中的聚類中心信息，是對說話人特征的不完整描述； GMM 則是對特征參數(shù)矢量分布的完整描述，它對每一個說話人模型用一種概率密度函數(shù)表示，特別是在與文本無關(guān)的說話人識別中， GMM 已經(jīng)成為占統(tǒng)治性地位的識別方法。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)成的說話人模型。常用的模型大體上可以分為三類：模板匹配法 —— 動態(tài)時間規(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；辨別分類器法 —— 人工神經(jīng)網(wǎng)絡(luò)和支持向量機。特征提取的任務(wù)是選取唯一表現(xiàn)說話人身份的有效且穩(wěn)定可靠的用戶語音特征；模式匹配的任務(wù)是對訓(xùn)練和識別時的特征模式進(jìn)行相似的匹配。 模式匹配 建立參考模版或模型 識別判斷 預(yù)處理 特征提取 識別 訓(xùn)練 自適應(yīng) 基于聲紋的說話人特征識別 18 計算測試音與說話人模型的匹配距離或者似然概率，來進(jìn)行匹配計算。在訓(xùn)練階段，每個用戶分別說出若干訓(xùn)練語句，系統(tǒng)據(jù)此經(jīng)過相應(yīng)的預(yù)處理和特征提取后對其進(jìn)行分析 ，并為每個用戶建立一個能夠描述這一用戶說話個性特征的模版或模型庫，用來作為這一用戶個性特征的標(biāo)準(zhǔn)圖案。 （ 2） 按識別對象的不同可以分為三類： 文本相關(guān) 、 文本無關(guān) 、指定問文本待識別語音 判斷是誰說的 S1 . . . Si SN 待識別語音 判斷是否是 Si說的 S1 . . . Si SN 基于聲紋的說話人特征識別 16 的說話人識別。 —— 端點檢測是根據(jù)語音的特點及其參數(shù)的統(tǒng)計規(guī)律，從一段語音中找出語音信號的開始位置點和終止位置點。因此，在應(yīng)用這種模型時，要注意其適用條件。 語音產(chǎn)生模型 建立語音信號的數(shù)學(xué)模型對于語音處理具有重要意義。這些結(jié)構(gòu)對每個人來說都是有差異的，由此造成了每個人的生源普、基音頻率、共振峰頻率以及帶寬的不同。 —— 通常實驗室中的說話人識別系統(tǒng)都要求使用者花費大量的時間來訓(xùn)練和識別，以獲取高識別率，或者通過大容量的語音數(shù)據(jù)庫來做到這一點。 DOBTOTH 等學(xué)者從電話交換機上獲取的語音信號表示， %的對話過程中都含有其他噪聲信號干擾。 影響說話人識別性能的因素 說話人識別技術(shù)發(fā)展至今已經(jīng)變的相當(dāng)成熟，而且在國際上已經(jīng)有了一些成功的應(yīng)用。上述提到的問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。 5. 噪聲問題。 （ 6） 隱私保護(hù)性強 —— 說話人識別技術(shù)采用語音特征進(jìn)行身份確認(rèn)，只需提供語音信號，不 涉及隱私問題，用戶無任何心理障礙。 —— 對于大量的錄音素材，將說話人識別技術(shù)與連續(xù)語音識別技術(shù)相結(jié)合，可以檢索出其中我們感興趣的特定人所說的內(nèi)容。 九江學(xué)院學(xué)士學(xué)位論文 3 第一章 說話人識別研究 說話人識別 (Speaker Recognition， SR)技術(shù)，也常被人們稱為聲紋識 別(Voiceprint Recognition， VR)技術(shù)，是生物認(rèn)證技術(shù)的一種。時域分析具有簡單直觀、清晰易懂、運算量小、物理意義明確等優(yōu)點；但更為有效的分析多是圍繞頻 域進(jìn)行的，因為語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。波形表示僅僅是通過采樣和量化的過程保存模擬語音信號的“波形”，而參數(shù)表示則是把語音信號表示成某種語音產(chǎn)生模型輸出。 本文介紹了 說話人識別的概念、原理及其識別實現(xiàn)的方法，指出了說話人識別技術(shù)的應(yīng)用前景。 語音信號處理雖然包括了語音通信、語音合成和語音識別等方面的內(nèi)容，但其前提是對語音信號進(jìn)行分析。近年來，各個分支都取得了很大的進(jìn)步，已經(jīng)深入應(yīng)用到通信、辦公自動化、遠(yuǎn)程控制、聲控電話撥號、計算機語音應(yīng)答、機器人聽覺與口語系統(tǒng)等使用系統(tǒng)中。 由于每個人的聲音特征都是唯一的，而且?guī)缀鹾苌贂l(fā)生變化的。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)。因為說話人的發(fā)音常常與環(huán)境、說話人的情緒、說話人的健康狀況有密切關(guān)系，說話人的語音特征不是靜態(tài)的、固定不變的，它具有時變特性。如何將語音識別和說話人識別有機的結(jié)合起來，對于這一點，指定文本型的說話人識別是一個有益的嘗試。語音特征參數(shù)對說話人識別系統(tǒng)的性能至關(guān)重要，雖然倒譜參數(shù)得到廣泛應(yīng)用，但語音特征參數(shù)仍是一個研究熱點。 人與人之間聲音存在差異使得自動說話人識別技術(shù)能夠成為可能，但同時也正是因為人的語音具有多變性使得這個問題變得復(fù)雜起來。在進(jìn)行語音信號提取之前，將語音中噪聲部分有效的去除，使去噪后的語音背景和信噪比與訓(xùn)練語音相似，特征提取的時候就能得到較為理想的語音特征。 第二章 介紹了說話人識別的基本原理和說話人識別系統(tǒng)的結(jié)果、模型。而要發(fā)出構(gòu)成語音的音素，還需靠唇、齒、舌、腭。 P 值越大，則模型的傳輸函數(shù)和實際聲道的傳輸函數(shù)的吻合程度越高。 、加窗 —— 語音信號的準(zhǔn)平穩(wěn)特性，使得只在短時段上才可視為一個平穩(wěn)過程，可以用對平穩(wěn)過程的分析方法進(jìn)行分析，因此需將語音信號劃分為一個一個的短時段，每一短時段稱為一幀。短時平均過零率可以粗略估計語音的頻譜特性，它與語音的清