论文部分内容阅读
说话人识别是通过目标说话人语音中携带的说话人个性信息来识别说话人的身份,与其它生物信息识别技术比较,它具有系统设备成本低,语音采集方便等优点。说话人识别是最新科学成果的综合应用,它涉及到声学的多个方面,以及模式识别,神经网络,核函数等研究的最新成果。在信用卡,门禁,军用涉密等方面有着广泛的应用。特别在公安司法领域,说话人识别方法有取代传统声纹仪的趋势。尽管说话人识别不断在识别特征和识别方法等方面取得进展,但是实验室获取的语音与实际应用环境获取的语音差异性较大,因此把在实验室表现良好的说话人识别系统应用到实际环境,效果依然不够理想。除了在一些特定场,说话人识别系统要应用到现实生活,仍然还有很长一段路要走。
本文拟从消除倒谱特征中语义信息的影响,利用倒谱特征的时序性,进行说话人模型合成和特征映射,以及建立不同信道间的特征变换等四个方面进行说话人识别系统的研究,主要内容有:
实验表明,尽管GMM作为说话人识别模型理论上可以实现与文本无关的说话人识别,但是训练和测试时的语音上下文内容对识别结果还是具有很大的影响。当非目标说说话人的识别语音上下文与目标说话人训练语音上下文较接近时,则用该语音进行目标说话人测试时,错误接受的概率会大大提高。由此可知降低语音的语义信息对识别率的影响非常重要。本文提出把语音的上下文信息看作某种噪声,通过在高斯混合背景模型中嵌入自联想神经网络的方法来滤除这种噪声,神经网络起到数据整形的作用,从而增强了目标说话人数据的相似性,达到降低说话人语音上下文对说话人识别率影响的目的。
由于GMM方法只能表示征特征向量的空间分布,对于说话人识别这种特征向量具有明显的时序性的应用并没有更好的处理。虽然引入差分倒谱对识别率有一定提高,但是差分倒谱对每个说话人向量序列采用相同的差分系数是不合理的,不同的说话人差分系数应该是不同的;另外,差分系数是从数据拟合的角度得出的,而不是从增大目标说话人GMM模型的似然概率角度得出的。本文提出了一种嵌入时延神经网络的高斯混合背景模型说话人确认方法来解决上面提到的两个问题。该方法利用时延神经网络挖掘特征向量集的时序信息,然后把时序信息传递给GMM,每个说话人拥有一个属于自己的神经网络,并且通过极大化GMM似然概率(ML)的方法来训练时延网络参数,使时延神经网络挖掘特征向量的时序信息的方式更为合理。
模型合成可以由说话人一个信道下的识别模型获得另一个信道下的识别模型,而特征映射则把说话人不同信道下的特征向量映射剑一个公共空间,这样只需为每个目标说话人训练一个识别模型。基于极大后验概率方法(MAP)的说话人模型合成和特征映射,变换参数需要人为指定。我们提出了基于极大似然线性回归(MLLR)调整的说话人模型合成和特征映射方法。MLLR调整首先确定相应模型间线性关系,变换参数由训练数据确定,并且可以只调整均值向量。模型合成时,通过训练可以获得通用信道背景模型间的MLLR调整参数;特征映射时,通过训练可以获得Root GMM-UBM模型参数到通用信道背景模型的MLLR调整参数。实验结果表明,合适选取MLLR回归类,可以取得比相应MAP调整方法更好的识别效果。
除了模型合成和特征映射,学者们还提出了各种各样的解决方法来解决信道误匹配问题,这些方法适合于不同的信道条件。如倒谱减法适合于平缓变化的信道特性,模型合成和特征映射需要知道语音来自哪个信道,而因子分析由于需要大量语音信号和处理时间使其难以应用,因此需要寻找更为合适的与信道无关的说话人识别方法。基于这个想法,我们提出了一种结合自联想神经网络和GMM的方法,对不同信道间的特征向量进行特征变换,它是一种与信道无关的说话人确认方法。通过合理选择神经网络的大小,即当语音的信道已知时,选择较小的神经网络进行特征变换,而当语音的信道未知时,可以选择较大的神经网络进行特征变换,这样就解决了应用灵活性的问题。