基于GMM和高層信息特征的文本無關說話人識別研究.pdf

1、為了考察和衡量文本無關的說話人識別的最新研究發(fā)展狀況，美國國家標準與技術署(NIST)自1996年起開始舉辦說話人識別評測(SRE)。NIST說話人評測代表了了說話人識別領域的最先進水平，NIST設立了多項任務，探索和研究不同語音條件下的研究方法，并為各個項目提供統(tǒng)一的電話語音數據(多通道、多環(huán)境、說話人規(guī)模大)、測試平臺、評測規(guī)則，以及評估標準。其中，采用長語音的說話人識別項目旨在利用語音信號中的高層次信息用于文本無關的說話人識別的研

2、究，近年來，已經成為國外一些著名機構的研究熱點。 語音中的高層次信息往往是與文本內容有關的，因而如何從語音中提取出用于文本無關說話人識別的高層次信息特征便成為當前研究的重點。本文對韻律、發(fā)聲特點等高層次特征信息的提取方法及其用于文本無關的說話人識別進行了深入研究。 針對文本無關的說話人識別的特點，本文采用了概率統(tǒng)計模型的識別方法，將從與文木有關內容的語音韻律(X～t，X為語音特征)中的信息特征看作由韻律特征基元(稱作超音

3、段韻律信息特征)所組成的，通過對韻律特征基元分布的概率統(tǒng)計描述來實現說話人辨識。 本文提出了一種基于多尺度小波分析從韻律中提取超音段韻律特征的方法，分別用于音源FO～t和聲道MFCC～t的超音段韻律特征的提取。由描述緩變信息的概貌系數和描述快變信息的細節(jié)系數組成音源FO～t的六維超音段韻律特征參數PFO；而對于高維的聲道MFCC～t，由于其各維參數的近似不相關和聲道緩變的特點，從MFCC各維分別提取概貌系數組成聲道超音段韻律特征

4、參數PMFCC。在NIST068side數據庫上的實驗表明，PFO與短時FO相比，系統(tǒng)EER相對降低了23.66％，PMFCC達到了與短時倒譜參數MFCC相當的性能。 鑒于音源參數與聲道參數的互補性，本文研究了音源超音段韻律參數PFO與聲道超音段韻律參數PMFCC的組合參數PMFCCFO。PMFCCFO較MFCC在NIST068side數據庫EER相對降低40％，在微軟數據庫的實驗則表明了PMFCCFO有較好的噪聲魯棒性。采用P

5、MFCCFO與短時參數MFCC的子系統(tǒng)輸出評分線性加權后，可進一步提高系統(tǒng)的識別性能。NIST083side評測任務中，采用了基于PMFCCFO的子系統(tǒng)與采用短時參數子系統(tǒng)的等權重輸出評分加權，在電話語音條件下取得了最佳的DET曲線。 本文還對從短時倒譜中間接提取發(fā)聲位置特征用于文本無關說話人識別進行了研究，提出了一種基于特征空間映射的發(fā)聲位置特征的提取方法，利用大量說話人的標準語音訓練得到的MLP作為所有人共享的特征映射網絡，