多人對(duì)話場(chǎng)景下的說話人分割聚類研究.pdf

1、說話人分割聚類是對(duì)一段多人混合的連續(xù)語(yǔ)音自動(dòng)切分，獲得“什么時(shí)候誰(shuí)在說話”這個(gè)信息的技術(shù)。當(dāng)前在兩人電話對(duì)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(huì)議、電視廣播多人對(duì)話等復(fù)雜場(chǎng)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(yàn)信息;說話人交談時(shí)輪換快，每個(gè)說話人的語(yǔ)音長(zhǎng)度不定;語(yǔ)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?jī)?nèi)容。本文針

2、對(duì)電視多人訪談節(jié)目中說話人分割與聚類的問題進(jìn)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(jìn)。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(shí)現(xiàn)語(yǔ)音的分割，由于DNN強(qiáng)大的區(qū)分能力，提高了變化點(diǎn)檢測(cè)的準(zhǔn)確率;在聚類方面，采用了共識(shí)聚類的方法對(duì)多套系統(tǒng)進(jìn)行融合，提高了類別的純度，加強(qiáng)了初始模型的魯棒性，從而降低了系統(tǒng)的錯(cuò)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(gè)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(cuò)誤率。進(jìn)一步，利用共識(shí)聚類對(duì)降噪特征和原始特征系統(tǒng)進(jìn)行融合，顯著的提升了系統(tǒng)的性能。
　　第三，時(shí)長(zhǎng)魯棒的類別模型訓(xùn)練算法。多說話人場(chǎng)景下，每個(gè)說話人的語(yǔ)音長(zhǎng)度是不定的，在論

4、文第四章中，針對(duì)傳統(tǒng)的最大后驗(yàn)估計(jì)(Maximum A Posteriori，MAP)得到的類別模型受類別時(shí)長(zhǎng)的影響導(dǎo)致模型參數(shù)偏移的問題，提出在MAP過程中，對(duì)相對(duì)因子根據(jù)時(shí)長(zhǎng)進(jìn)行規(guī)整，提高類別模型參數(shù)的時(shí)長(zhǎng)魯棒性。實(shí)驗(yàn)結(jié)果表明，對(duì)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