基于多信息融合的說話人識別.pdf

1、說話人識別，又稱聲紋識別，是根據(jù)說話人的聲音對說話人進行自動區(qū)分，從而實現(xiàn)說話人身份辨別或者確認的生物特征識別技術(shù)。其本質(zhì)上是根據(jù)說話人的特征向量進行類別判定的過程，因此本文以提取出更加全面的表征說話人信息的特征向量為目標，最終實現(xiàn)說話人識別系統(tǒng)性能的提高。主要從以下各個方面進行研究以及系統(tǒng)的實現(xiàn):
　　1、構(gòu)建了三種傳統(tǒng)的說話人識別系統(tǒng)。根據(jù)輸入特征和建模形式的差異，說話人識別系統(tǒng)可分成不同類型。一是基于全局差異空間建模的說話人

2、識別，即利用大規(guī)模數(shù)據(jù)訓(xùn)練出包含說話人共性特征的通用背景模型，并以其幀后驗概率為基礎(chǔ)計算子空間數(shù)據(jù)的各階統(tǒng)計量以及進行全局差異空間矩陣的訓(xùn)練(簡記為TVM-I-Vector);二是基于DNN統(tǒng)計量提取的說話人識別，即利用DNN代替上述中的UBM產(chǎn)生幀級別的后驗概率(簡記為NN-I-Vector);最后是基于深度瓶頸特征(DBF)的說話人識別，即利用DBF代替MFCC作為系統(tǒng)的輸入特征（簡記為DBF-I-Vector）。由于在I-Vect

3、or建模的過程中并沒有具體區(qū)分說話人信息和信道信息，因此為了降低信道對說話人識別系統(tǒng)識別性能的影響，在本文設(shè)計的說話人識別系統(tǒng)的后端采用LDA或者PLDA等信道補償技術(shù)進行信道補償以及說話人的區(qū)分性訓(xùn)練。
　　2、構(gòu)建了基于特征融合的說話人識別系統(tǒng)。在說話人識別中輸入特征可分為深層特征（如:DBF），和淺層特征（如:MFCC、PLP等）。淺層特征是一種低層聲學(xué)特征，大都基于短時語音的譜信息，但難以表征語音段的高層信息;基于深度神經(jīng)

4、網(wǎng)絡(luò)的說話人識別充分考慮了發(fā)音內(nèi)容對語音信號的影響并添加了具有區(qū)分性的信息，提取的是一種深層的特征，但是并沒有涉及物理層的最直觀的聲學(xué)特征。考慮到深、淺層特征各自存在的優(yōu)勢和不足，本文采用特征融合的方式實現(xiàn)特征之間的優(yōu)勢互補，利用融合后的特征進行模型的訓(xùn)練以提高說話人識別系統(tǒng)的性能。
　　3、構(gòu)建了基于模型融合的說話人識別系統(tǒng)。不同類別的說話人識別系統(tǒng)（比如:TVM-I-Vector、NN-I-Vector、DBF-I-Vecto

5、r等）在性能上有一定的差異，但是也有各自的優(yōu)勢。而這些差異最終表現(xiàn)為提取的特征向量I-Vector的差異，將不同類型的說話人識別系統(tǒng)提取得到的I-Vector進行融合，可以充分綜合不同系統(tǒng)的優(yōu)勢。因此，本文根據(jù)上述設(shè)想進行建模，以提升系統(tǒng)的識別效果。
　　4、構(gòu)建了端到端的說話人識別系統(tǒng)。在說話人識別領(lǐng)域中，端到端的思想是利用神經(jīng)網(wǎng)絡(luò)提取出說話人的說話人表征向量代替經(jīng)典說話人識別系統(tǒng)中的I-Vector。其具體設(shè)計是以基本聲學(xué)特征