網(wǎng)絡(luò)環(huán)境下實時音頻解碼與魯棒說話人識別系統(tǒng)研究.pdf

1、網(wǎng)絡(luò)環(huán)境下說話人識別是指在互聯(lián)網(wǎng)音頻信息中查找出目標(biāo)說話人的一種技術(shù)，在安全、刑偵等領(lǐng)域具有重要的實際應(yīng)用價值。本文以搭建工程化的網(wǎng)絡(luò)環(huán)境下說話人識別系統(tǒng)為目的，開展相關(guān)的研究工作。
　　進行網(wǎng)絡(luò)環(huán)境下說話人識別，首先要將互聯(lián)網(wǎng)中各種編碼格式的音視頻實時解碼成統(tǒng)一規(guī)格的非壓縮音頻。本文在實驗室現(xiàn)有的實時音頻解碼系統(tǒng)基礎(chǔ)上，分析了不同協(xié)處理器（Coprocessor）實現(xiàn)實時音頻解碼的優(yōu)劣，并將實際網(wǎng)絡(luò)中占有量最大的MP3（MPEG

2、 Audio Layer3）解碼過程移植到眾核芯片 TILE64上，以解決實時音頻解碼系統(tǒng)占有CPU（Central Processing Unit）資源較高、解碼速度較低的問題。含有 TILE64實時解碼MP3功能的新實時音頻解碼系統(tǒng)平均解碼速度達(dá)到200Mbps，比原來提高了1倍，而功耗并未增加。
　　其次，利用新實時音頻解碼系統(tǒng)采集實際網(wǎng)絡(luò)中的大批音視頻數(shù)據(jù)，并實時地解碼成8KHz采樣率、16bits采樣位數(shù)、單聲道且時長為

3、10秒的標(biāo)準(zhǔn)處理單元，然后通過VAD（Voice Activity Detection）和基于高斯核函數(shù)的SVM（Support Vector Machine）方法進行語音/非語音分類，過濾出約占總量七分之一的語音標(biāo)準(zhǔn)處理單元集合，并以此語音標(biāo)準(zhǔn)處理單元集合為基礎(chǔ)，整理出用于說話人識別測試的真實網(wǎng)絡(luò)語料庫。接下來，搭建基于GMM-UBM（Gaussian Mixture Model-Universal Background Model）

4、的文本無關(guān)的通用說話人辨認(rèn)系統(tǒng)，通過實驗表明，通用說話人識別系統(tǒng)能夠在實驗環(huán)境下表現(xiàn)良好，但在真實網(wǎng)絡(luò)語料庫中，由于非目標(biāo)說話人的海量語音數(shù)據(jù)影響，虛警數(shù)遠(yuǎn)超過正確識別數(shù)，無法滿足實際工程需求。
　　最后，針對上述通用說話人識別系統(tǒng)不能勝任網(wǎng)絡(luò)環(huán)境下工程需求的問題，設(shè)計并實現(xiàn)了兩種說話人識別確認(rèn)方法——高階語義窗和音素級對比方法，通過實驗表明，這兩種方法在提高通用說話人識別系統(tǒng)的魯棒性上都表現(xiàn)良好。其中，兩種方法的融合改進系統(tǒng)魯棒