基于高層信息融合的短語音說話人識(shí)別方法研究.pdf

1、語音信號(hào)是人類情感交流和認(rèn)知分享的重要載體，也是人類最基本和最自然的交流方式。說話人識(shí)別是研究如何從語音波紋中提取能表征語者個(gè)性化特征的信息，進(jìn)而利用該個(gè)性化信息通過建模方式對(duì)語者的身份做出判決的技術(shù)。高斯混合模型憑借其出色的性能而被廣泛地應(yīng)用于說話人識(shí)別領(lǐng)域。為了解決測(cè)試環(huán)境與訓(xùn)練環(huán)境失配的問題，主流模型通常會(huì)引入一個(gè)非目標(biāo)人模型，非目標(biāo)說話人模型包括通用背景模型和競(jìng)爭(zhēng)模型，引入通用背景模型后構(gòu)成GMM-UBM系統(tǒng)。針對(duì)個(gè)人GMM與U

2、BM音素空間不匹配的問題，Reynolds提出基于最大后驗(yàn)概率升級(jí)的UBM-MAP-GMM系統(tǒng)。與此同時(shí)，隨著基于聲道信息的淺層特征參數(shù)的提取逐漸進(jìn)入了瓶頸期，學(xué)者們將注意力轉(zhuǎn)向了高層信息融合的新特征，如基于聲門信息的韻律特征。除此之外，針對(duì)通道失配等補(bǔ)償技術(shù)被不斷地提出，其中JFA和i-vector憑借其夯實(shí)的理論基礎(chǔ)而備受青睞，其將低維語音信號(hào)映射至高維超矢量空間后進(jìn)行分析。
　　基于上述分析，本論文主要研究以下內(nèi)容：

3、　　1、針對(duì)UBM-MAP-GMM系統(tǒng)中部分高斯分量具有低區(qū)分性甚至拉低系統(tǒng)得分，提出了一種基于篩選高斯分量的確認(rèn)方法。通常認(rèn)為GMM中各高斯分量代表空間音素類，而UBM代表普遍的聲學(xué)信息類。通過UBM自適應(yīng)得到的個(gè)人GMM中不僅具有語者個(gè)性化的信息，也包含了在訓(xùn)練階段完全不存在的非說話人信息。另外值得考慮的是，用于訓(xùn)練個(gè)人GMM的語音受限于時(shí)長(zhǎng)和文本內(nèi)容等，導(dǎo)致部分音素類信息不足，進(jìn)而導(dǎo)致對(duì)部分音素類信息的建模出現(xiàn)偏差。體現(xiàn)在自適應(yīng)后

4、的個(gè)人GMM中就是有些高斯分量無法準(zhǔn)確地描述語者信息，即具有低區(qū)分性。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的系統(tǒng)識(shí)別性能得到改善。
　　2、針對(duì)基于淺層聲道特性的特征參數(shù)對(duì)識(shí)別性能的提升乏力，提出了一種基于高層信息融合的確認(rèn)方法，該方法巧妙地將淺層短時(shí)特征參數(shù)和高層信息通過二次判決機(jī)制融合在了同一框架中。理論上，反映聲道特性的短時(shí)特征參數(shù)與反映聲門信息的韻律特征參數(shù)從不同角度刻畫了語者，故具有互補(bǔ)進(jìn)而提升系統(tǒng)性能的能力。實(shí)驗(yàn)結(jié)果表明，結(jié)合基頻和共

5、振峰等高層信息的文本依賴的確認(rèn)系統(tǒng)能有效地降低等錯(cuò)誤率。
　　3、針對(duì)降維后特定主成分中蘊(yùn)含說話人個(gè)性化信息，提出一種基于降維超矢量的說話人確認(rèn)算法。由最大后驗(yàn)概率算法得到的個(gè)人GMM的高斯超矢量，經(jīng)過特征降維處理后發(fā)現(xiàn)前兩維主成分中蘊(yùn)含的性別信息明顯，而前特定維主成分中則蘊(yùn)含的語者個(gè)性化信息明顯。基于前者，首先提出一種性別選擇策略和GMM-SUBM架構(gòu)?；诤笳?，本文通過實(shí)驗(yàn)確定用于表征測(cè)試者身份的最佳維度。實(shí)驗(yàn)結(jié)果表明，該方法