论文部分内容阅读
基于单麦克风的多说话人语音的自动标记技术是语音信号处理研究中具有挑战性的任务之一。“说话人标记”指在说话人个数未知的情况下对语音信号进行说话人自动分类(标记)技术,由于说话人数未知,因此实现准确聚类非常困难。多说话人标记过程通常包括说话人切分和说话人聚类两个方面的技术。其中说话人切分的目标是把不同说话人的语音段切分开,而说话人聚类的目标是把相同说话人的语音段聚合在一起或者打上同一个说话人的标号。本论文针对说话人自动标记方法展开了创新性研究工作。论文主要创新工作如下: (1)从人耳的听觉机理出发,提出了一种稳健的说话人音高估值方法和一种快速的浊音、清音、静音判别方法,以及一种基于计算听觉场景分析的说话人切分的方法(CASA-SCD)。实验表明,CASA-SCD可以将说话人切分的F1分数由基线的65.9%提高到70.0%。 (2)从人的发声机理出发,首先利用语音生成模型和说话人的音高信息将语音信号分解为声门源信号和声道模型冲激响应信号,并提出了一种提取基于声门结构的说话人生物特征和说话人生物力学特征的方法、一种基于声门源和声道分离的说话人切分方法(GVS-SCD),以及融合听觉机理和发声机理的说话人切分方法(ADAT-SCD)。实验表明,GVS-SCD可以将说话人切分F1分数提高到72.6%,通过融合听觉机理和发声机理实现信息互补,ADAT-SCD可以将说话人切分F1分数提高到73.8%。 (3)提出了一种基于说话人子空间映射谱聚类的说话人标记方法(SSMSC-SD)。首先,利用ADAT-SCD得到的说话人切分段结果,提取出切分段的说话人i-vector矢量,并通过说话人子空间映射来增加说话人之间的区分性,然后计算目标说话人之间的相似度,最后通过谱聚类方法完成说话人聚类(标记)。实验表明,SSMSC-SD的说话人误判率为16.19%,说话人标记错误率由基线的28.4%下降到24.23%。 (4)提出一种基于局部引导模型的变分贝叶斯说话人标记方法(LGMVB-SD)。通过引入融合有静音、性别、音高信息的局部模型,实现一种新型的基于局部引导模型的变分贝叶斯帧聚类和段聚类,从而避免说话人切分不准的问题。实验表明,LGMVB-SD的说话人误判率为15.84%,说话人标记错误率由基线的28.4%下降到23.71%。 实验结果表明本文提出的说话人标记方法与最新发表的论文在RT09数据库的对比达到国际先进水平。