目前,对音频信息进行自动分类和检索是语音信号处理领域的最新研究课题之一,而说话人分割(Speaker Segmentation)与说话人聚类(Speaker Clustering)是其中关键的技术成分,该文重点研究了说话人聚类问题.针对测试语音只包含两个说话人的情况,该文提出了基于GMM(Gaussian Mixture Models)模型的说话人聚类算法.该算法的出发点是:测试语音包含甲与乙两人的语音;说话人分割将整个测试语音分割成了一系列语音片段,某语音段A[i]属于甲人;与语音段A[i]最相似的语音段应该属于甲人,最不相似的语音段应该属于乙人,利用这个原理可以收集到甲与乙的训练语音数据用于训练各自的GMM模型;然后用GMM模型对其余的语音段进行说话人辨认,就完成了将所有语音段聚合成两个类的目标.当测试语音中的说话人数目不限定时,采用分级聚类的方法进行说话人聚类是一种很好的选择.但是,分级聚类算法的计算量近似与初始类别数目的平方成正比,计算量较大.因此,该文提出了两种计算量不大的"预聚合"方法,可以大大地减少分级聚类前的初始类数,从而减少分级聚类的计算量.这两种"预聚合"方法的思路都是通过将相似的语音段进行合并,以减少分级聚类前的语音段数(即减少了初始的类别数目).该文对测试语音包含两个说话人和多个说话人的语音数据库分别进行了实验,并分析了算法复杂度.对测试语音包含两个说话人的语音数据库,基于GMM的说话人聚类算法的类纯度最高达到了94.5﹪,比基本分级聚类算法的类纯度高0.7﹪.在算法复杂度方面:基于GMM的说话人聚类算法的计算量主要集中在"训练GMM模型"和"说话人辨认"阶段;"说话人辨认"阶段的计算量与测试语音段的数目N成正比,"训练GMM模型"阶段的计算量与训练语音的数量M(M《N)成正比;而基本分级聚类计算量近似与N<2>成正比.对测试语音包含多个说话人的语音数据库,该文提出的两种"预聚合"算法,大大地减少了分级聚类的计算量:采用"预聚合"1的分级聚类算法的总计算量最多是基本分级聚类L计算量的L/N倍;在图5.1的情况下,采用"预聚合"2的分级聚类算法的总计算量约是基本分级聚类计算量的L/2L+(L/N)<2>倍.其中,L