多人對話場景下的說話人分割聚類研究.pdf

1、說話人分割聚類是對一段多人混合的連續(xù)語音自動切分，獲得“什么時候誰在說話”這個信息的技術(shù)。當前在兩人電話對話數(shù)據(jù)上，說話人分割聚類系統(tǒng)取得了很好的性能;但是在會議、電視廣播多人對話等復(fù)雜場景下還是面臨著很多挑戰(zhàn)，存在的問題包括:一般說話人數(shù)不定且沒有人數(shù)的先驗信息;說話人交談時輪換快，每個說話人的語音長度不定;語音中存在著多種多樣的噪聲等。如何有效的解決這些問題，提升分割聚類系統(tǒng)的魯棒性成為重要的研究方向，也是本文主要的研究內(nèi)容。本文針

2、對電視多人訪談節(jié)目中說話人分割與聚類的問題進行研究，論文的主要工作和創(chuàng)新如下:
　　第一，主流算法的融合改進。在論文第二章中，在典型的分割聚類算法的基礎(chǔ)上，采用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)取代傳統(tǒng)的貝葉斯信息量的方法來實現(xiàn)語音的分割，由于DNN強大的區(qū)分能力，提高了變化點檢測的準確率;在聚類方面，采用了共識聚類的方法對多套系統(tǒng)進行融合，提高了類別的純度，加強了初始模型的魯棒性，從而降低了系統(tǒng)的錯誤

3、率。
　　第二，噪聲環(huán)境下特征降噪。在論文第三章中，利用回歸深度神經(jīng)網(wǎng)絡(luò)(Regression DNN)去擬合帶噪音頻的聲學(xué)特征到干凈音頻的聲學(xué)特征的映射函數(shù)，用這個回歸網(wǎng)絡(luò)提取出降噪后的特征削弱了噪聲的信息，將該降噪特征用于分割聚類系統(tǒng)，降低了系統(tǒng)的錯誤率。進一步，利用共識聚類對降噪特征和原始特征系統(tǒng)進行融合，顯著的提升了系統(tǒng)的性能。
　　第三，時長魯棒的類別模型訓(xùn)練算法。多說話人場景下，每個說話人的語音長度是不定的，在論

4、文第四章中，針對傳統(tǒng)的最大后驗估計(Maximum A Posteriori，MAP)得到的類別模型受類別時長的影響導(dǎo)致模型參數(shù)偏移的問題，提出在MAP過程中，對相對因子根據(jù)時長進行規(guī)整，提高類別模型參數(shù)的時長魯棒性。實驗結(jié)果表明，對于歸一化交叉似然比(Normalized Cross Likelihood Ratio，NCLR)和T-Test度量距離，規(guī)整后的類別模型帶來了性能的提升。
　　第四，高區(qū)分性的人數(shù)判定算法。在論文第