對話語音中的目標說話人檢測和定位.pdf

1、　　本文主要研究在對話語音中檢測目標說話人，并定位目標說話人語音的問題。目標說話人檢測，是指在一段多個人連續(xù)說話的對話語音中判斷目標說話人是否出現(xiàn)；目標說話人定位，是指在目標說話人檢測的基礎上，當檢測到目標說話人在對話語音中出現(xiàn)時，對目標說話人在對話語音中出現(xiàn)的具體的時間段進行估計。本文的研究基于事先已經(jīng)知道目標說話人這樣一個前提。　　目前，對話語音中的目標說話人檢測和定位問題，主要是采用以下方法來解決。首先，檢測出對話語音中的說話人

2、跳變點，將不同說話人的語音分割開來；然后，對分割后的語音段進行說話人聚類處理；最后，使用單個說話人識別技術在對話語音中識別出目標說話人的語音，從而達到在對話語音中檢測和定位目標說話人的目的。我們將這種基于說話人的語音分割、聚類以及說話人識別的方法稱為硬分割。本文在研究和總結(jié)前人成果的基礎上，針對硬分割的缺陷，結(jié)合實際情況，提出了單幀對數(shù)似然比算法。相對于硬分割，本文將這種基于單幀對數(shù)似然比算法進行對話語音中的目標說話人檢測和定位的方法稱

3、為軟分割。　　與硬分割相比，軟分割主要有以下幾個優(yōu)點：第一，充分利用了已知目標說話人這個先驗知識，將目標說話人檢測問題作為解決目標說話人定位問題的前提和基礎，只有在對話語音中檢測到目標說話人的情況下才進行目標說話人定位。因此，軟分割方法更為簡潔、高效。第二，在參與對話的說話人個數(shù)未知的情況下，由于不需要對對話語音進行基于說話人跳變點的細致分割，因此在這種情況下軟分割仍然適用；而硬分割在這種情況下因無法進行準確的說話人聚類而不再適用。