GMM說話人建模的關(guān)鍵問題研究.pdf

1、隨著計算機技術(shù)及人工智能等技術(shù)的發(fā)展，說話人識別在近幾年也有了長足的進展。自從Reynolds提出將GMM(Gaussian Mixture Model，高斯混合模型)用于說話人識別之后，GMM便一直是說話人識別領(lǐng)域的研究熱點。盡管之后研究人員又提出了許多新的效果更好的說話人識別方法，如GMM-SVM，JFA，i-vector等，但這些方法均基于GMM模型，系統(tǒng)中GMM模型性能的好壞直接關(guān)系著系統(tǒng)的識別性能，因此對GMM模型本身的研究十

2、分必要。
　　本文的主要研究內(nèi)容如下:
　　第一，UBM背景模型數(shù)據(jù)選擇。UBM是說話人識別系統(tǒng)的核心，在選擇背景說話人數(shù)據(jù)時，通常的做法都是使數(shù)據(jù)覆蓋盡量多的說話人、通道以及麥克風(fēng)類型，然而過多的數(shù)據(jù)中必然存在冗余，會增加UBM模型訓(xùn)練的復(fù)雜度。為了剔除冗余數(shù)據(jù)，Hansen提出在原始背景說話人數(shù)據(jù)中選擇部分用于訓(xùn)練UBM的方法。本文在第三章首先驗證了Hansen所提出的數(shù)據(jù)選擇方法的有效性，并且在其基礎(chǔ)上對其中的智能特征

3、選擇方法IFS采用跳幀方式改進。NIST數(shù)據(jù)庫上的實驗證明，利用改進的方法使得UBM訓(xùn)練時間由原來的3小時46分鐘縮短為9分鐘，在大大降低模型訓(xùn)練時間的同時，系統(tǒng)等錯誤率EER有了0.47％的提升。
　　第二，基于GMM token配比相似度校正得分的說話人識別方法。在實驗中我們觀察到，不同說話人的GMM token分布模式是不同的，而同一個說話人相同內(nèi)容的語句的GMM token分布模式趨于一致，根據(jù)這一點我們提出了一種基于GM

4、M token配比相似度校正得分的說話人識別方法。該方法根據(jù)測試語句GMM token配比和模型訓(xùn)練語句的GMM token配比相似度對測試得分進行校正，有效降低測試語句中部分impostor測試語句的測試得分，從而有效提升系統(tǒng)EER性能。MASC@CCNT上實驗表明，系統(tǒng)等錯誤率EER相對基準有0.87個百分點的提升。
　　第三，基于GMM token的短語識別。由于語音的GMM token序列刻劃了語音中音素內(nèi)容的變化過程，所

5、以被廣泛的應(yīng)用于語種識別和方言識別。而語音的GMM token配比向量則刻劃了語音中音素內(nèi)容的組成信息，根據(jù)這一點我們提出一種基于GMM token配比相似度的短語識別方法，在7個人（5名男性，2名女性）的“前左右”指令集上準確率為100％，而MASC@CCNT庫上準確率為88.8％。另外，通過觀察不同短語的語圖進一步發(fā)現(xiàn)，不同短語發(fā)音的起始部分的各個頻帶的能量分布差別很大，因此我們進一步提出基于起始語音片段的短語識別方法，該方法只需要