說話人識別情感合成問題的概率模型研究.pdf

1、說話人識別技術對智能通信和信息處理具有重要的推進作用。同時，語音數(shù)據(jù)具有高維時間序列的典型特征，是信號處理和模式識別領域各種算法驗證的珍貴數(shù)據(jù)資源。因此，這個領域的研究工作一直火熱地進行著。語音識別系統(tǒng)的效率容易受到會話差異的影響。即測試語音和訓練語音不匹配的情況下，算法準確率會相對下降。其中由于錄音者情感變化導致的測試和訓練語音不匹配被稱為情感失配，這至今是一個開放問題，一直沒有很好地被解決。
　　本論文針對說話人識別情感失配問

2、題，進行了原理的分析和現(xiàn)象的總結。證明說話人情感變換與常見的信道失配問題的不同，解釋了現(xiàn)有算法難以解決這個問題的原因。并針對情感噪音的特質提出了基于概率模型的統(tǒng)計推斷方法。完善了已有情感合成算法的理論基礎，獲得了在MASC數(shù)據(jù)庫上個人可以重現(xiàn)的最佳效果。針對當前主流的因子分析模型過度擬合的問題，將原模型改進為更符合語音數(shù)據(jù)特征的完全貝葉斯模型和非參數(shù)IBP模型，并給出求解的迭代算法和MCMC采樣算法。成功地在不降低推斷效果的基礎上，將因

3、子分析的模型參數(shù)縮減到原問題的30％。
　　本論文的主要貢獻如下：
　　1.針對說話人識別情感失配問題，進行了原理的分析和現(xiàn)象的總結。針對不同的說話人以及不同的情感，目前仍然沒有通用的模型可以描述情感變化的原因。針對不同的語音元素（音素）、說話人身份、情緒特性等等對說話人特征引起的變化具有很強的非線性特性。與一般的信道失配不同，情感失配沒有辦法用分隔開的空間分別表征說話人身份和信道的特征。由于數(shù)據(jù)量的不足，也沒有辦法通過LD

4、A等技術進行無關信息的降維處理。值得注意的是，情感變化具有鄰居相似的特性。即中性語音特征相似的說話人，一般在其他情感下也具有類似的特征。
　　2.對說話人識別問題的概率推斷模型進行抽象，將測試樣本和模型參數(shù)數(shù)量引入分布提出了基于統(tǒng)計距離的分類模型。現(xiàn)階段常用的通用背景模型系統(tǒng)經(jīng)常依賴階數(shù)很高的高斯混合模型訓練。這類模型依賴相對龐大的背景語音數(shù)據(jù)庫以及長度相對統(tǒng)一的訓練和測試數(shù)據(jù)?；谪惾~斯統(tǒng)計的推斷方法依指數(shù)分布族的共軛先驗對進行

5、生成模型的估計，不需要高斯混合模型的EM迭代訓練，與之相比具有計算復雜性和算法效率上的優(yōu)勢。此外，通過基于AIC和BIC等模型選擇理論的統(tǒng)計距離標準，可以有效地解決因語音長度變化等引起的信道失配問題。
　　3.基于流型學習理論，對原有的近鄰合成算法進行了推廣，并在該框架下提出最優(yōu)合成的求解方式，獲得了模型合成最好的結果。由于情感變化具有鄰居相似的特點，我們可以通過背景數(shù)據(jù)集中與訓練模型相似的數(shù)據(jù)合成對應說話人其他情感的模型。本文提

6、出了鄰域最優(yōu)線性合成算法，這種算法通過求解有約束的二階優(yōu)化問題，基于背景對中性語音模型進行最優(yōu)重建。這個重建具有多種映射不變的特性，因此這個規(guī)律可以遷移到其他情感空間，采用對應的情感模型參數(shù)，對訓練語音模型的情感參數(shù)進行估計。
　　4.針對聯(lián)合因子分析模型過度擬合的問題，提出了完整的概率方法，規(guī)范了模型的理論依據(jù)，并進行了非參數(shù)推廣。聯(lián)合因子分析模型在求解時，采用的是對特征變量進行估計，再對參數(shù)矩陣進行優(yōu)化的EM迭代。由于對參數(shù)的