基于GMM-UBM的快速說話人識(shí)別方法.pdf

1、文本無關(guān)的說話人識(shí)別，由于其實(shí)際應(yīng)用下的靈活性，而成為語音識(shí)別領(lǐng)域的研究重點(diǎn)。自從1999年美國國家標(biāo)準(zhǔn)技術(shù)研究所（National Institute of Standards and Technology，NIST）舉辦的評(píng)測中，高斯混合模型——通用背景模型（Gaussian Mixture Model-Universal Background Model，GMM-UBM）作為基準(zhǔn)系統(tǒng)獲得優(yōu)異識(shí)別率后，該方向的研究都以其為基準(zhǔn)模型，

2、并對(duì)其進(jìn)行改進(jìn)。盡管說話人識(shí)別系統(tǒng)已經(jīng)取得了比較令人滿意的效果，但進(jìn)行匹配前需大量的似然分計(jì)算，由于該因素的影響使得系統(tǒng)識(shí)別速度明顯下降，因此實(shí)用性不佳。本文的主要目的是在盡量不降低識(shí)別率的前提下，減少計(jì)算量以實(shí)現(xiàn)快速說話人識(shí)別。
　　針對(duì)說話人識(shí)別中計(jì)算量大、運(yùn)行速度慢的情況，本文在基于樹形結(jié)構(gòu)的核心挑選算法基礎(chǔ)上進(jìn)行改進(jìn)，自頂向下搜索 UBM中輸出測試語音特征矢量似然分最高的分布，此后與目標(biāo)說話人模型匹配時(shí)，只需計(jì)算核心分布的

3、似然分進(jìn)行識(shí)別。改進(jìn)算法應(yīng)用到基準(zhǔn)系統(tǒng)后，核心挑選速度提高了14.7倍。鑒于特征序列對(duì)最終的識(shí)別結(jié)果無影響，因此系統(tǒng)結(jié)合矢量序列重排的剪枝算法后，整個(gè)系統(tǒng)速度提高到21.7倍，識(shí)別率略有降低。為了提高識(shí)別率，論文中將支持向量機(jī)（Support Vector Machine，SVM）中徑向基核函數(shù)引入到說話人識(shí)別中，識(shí)別率提高到與基準(zhǔn)系統(tǒng)一致。
　　本文針對(duì)女性聲音在開集識(shí)別時(shí)識(shí)別率下降明顯的情況提出了概率閾值的思想，應(yīng)用于基準(zhǔn)系統(tǒng)