基于語音頻率特性抑制音素影響的說話人特征提取.pdf

1、語音具有語言信息與個人信息;語言信息表示說話人的共性特征,個人信息表示說話人個性特征。進行說話人識別時,需要保存說話人個性信息并同時抑制語言信息。然而,語音信號的說話人個性信息與語言信息很難分開。為了減小發(fā)音內(nèi)容之間差異對說話人識別的影響,本文提出了音素影響抑制(Phoneme Effect Suppression,PES)法,以便強調(diào)說話人個人信息的差異。
　　為了得到在頻域上說話人信息的準(zhǔn)確分布,本文首先研究了語音頻率特性。我

2、們通過得到每個音素在各個子頻帶上對說話人個性信息的貢獻率(Phoneme F-ratio Contribution,PFC),提出了在不同音素的說話人信息的分布。語音受到人的發(fā)聲器官、發(fā)音方式與發(fā)音位置的影響。所以在每個音素的說話人信息的分布反映特定生理發(fā)音器官與發(fā)音方式的個性。本文在三種語言(英語、漢語與朝鮮語)上分別研究了說話人個人信息的聲學(xué)表達。通過測試每個音素在各個子頻帶上對說話人個性信息的貢獻率,發(fā)現(xiàn)濁音、清音和鼻音的都具有不

3、同的說話人個性信息的分布。
　　在此基礎(chǔ)上,本文提出了PES方法,抑制了不同音素對說話人個性的影響,得出了說話人個人信息在頻域上的分布( Phoneme Effect Suppressed Speaker Information Distribution,PES-SID)。
　　最后,本文提出了一種提取說話人特征的新方法,此方法專注于基于說話人個人信息分布的非均勻頻率尺度的表示。本文提出的說話人特征用于GMM說話人模型并進行

4、了說話人辨認(rèn)實驗,并與另外兩種說話人特征作了對比。實驗結(jié)果表明我們提出的特征優(yōu)于其他兩種特征。與MFCC(Mel Frequency Cepstrum Coefficient)特征相比,對于不同的語言,我們提出的特征都降低了識別錯誤率:對于英語降低了61.1％,對于朝鮮語68.0%,對中文32.9%。與FFCC(F-ratio Frequency Cepstrum Coefficient)相比,我們的錯誤率降低了:30%(英語),28.