說話人識別是根據(jù)語音中反映說話人生理和行

1、ISSN100020054CN1122223?N清華大學(xué)學(xué)報(自然科學(xué)版)JTsinghuaUniv(Sci假冒者闖入靜音信道檢測中圖分類號:TP391文獻標識碼:A文章編號:100020054(2008)S120699205PreventionofimpostsenteringspeakerrecognitionsystemsZHANGLipengCAOJiangXUMingxingZHENGFang(TsinghuaNational

2、LabatyfInfmationScienceTechnologyTsinghuaUniversityBeijing100084China)Abstract:Speakerrecognitionsystemsneedtoguardagainstimpostorsenteringthesystem.High2fidelityrecordingspeakersimulationsarethetwomostcommonmethodsusedb

3、yimpostors.Thispaperfocusesonpreventingtheuseofrecordings.Audioreadingequipmentcanberegardedasananalog2to2digitalconversionsystemwhichwillaffectthevocalacteristics.Theseacteristicscanbeanalyzedtopreventincursions.Themode

4、lisbasedontheGaussianmixturemodel2universalbackgroundmodel(GMM2UBM)speakerrecognitionsystemusingavoicechannelmodelbasedonamutevoicegatheredfromvoicedata.Ifthechannelacteristicsforthetrainingdatathetestdatadiffertheinputm

5、aynotbetrustworthy.Testsshowthatwiththechannelexaminationbasedonthemutevoicetheequalerrorrateofthissystemwiththemutevoicewasreducedbyabout40%.Keywds:speakerrecognitionimpostorentermutevoicechanneldetect說話人識別是根據(jù)語音中反映說話人生理

6、和行為特征的語音參數(shù)來識別待測語音說話者身份的技術(shù)。作為語音識別的一個分支說話人識別在公安偵察、醫(yī)療診斷、電子金融業(yè)務(wù)、聲紋控制等方面有著廣泛的應(yīng)用前景。從安全系統(tǒng)應(yīng)用角度出發(fā)說話人識別系統(tǒng)急需解決的問題是如何防止各種假冒手段闖入說話人系統(tǒng)的行為。如果一個說話人識別系統(tǒng)能夠?qū)倜罢Z音進行拒絕或警告那么就可以大大提高該系統(tǒng)的可應(yīng)用性。根據(jù)闖入手段的不同說話人識別系統(tǒng)中的假冒者問題可以分為2類。一類是假冒者模仿特定人的聲音對說話人識別系統(tǒng)進

7、行闖入另一類是假冒者利用錄音設(shè)備錄制特定人聲音對說話人識別系統(tǒng)進行闖入。對于第一類問題現(xiàn)有的說話人識別?19942008ChinaAcademicJournalElectronicPublishingHouse.Allrightsreserved.圖1基于靜音的錄音檢測系統(tǒng)圖En=∑∞n=∞[X(m)w(nm)]2.(1)短時能量序列En反映了語音振幅或者能量隨著時間緩慢變化的規(guī)律。數(shù)據(jù)窗w(n)的函數(shù)形式和寬度對En都有較大影響。為了

8、簡化靜音提取采用矩形窗作窗函數(shù)窗寬選經(jīng)驗值為20ms窗移為10ms。這樣可以在語音段上計算出一組En值每個En的值代表本窗的短時能量。然后求出整個語音段的平均短時能量E?=1N∑Ni=1Ei.(2)拿當前窗的短時能量與平均短時能量比如果連續(xù)k窗都比E?小就認為這k窗語音是靜音。k取經(jīng)驗值10～20不等。由于靜音含有噪音因此需要在提取靜音后做去噪處理。目前較為流行的去噪方法有譜減(spectralsubtractionSS)法[4]、RA

9、STA濾波法[5]、主分量分析法等。本文是采用信號級的去噪算法——譜減法進行去噪。特征方面采用Mel倒譜參數(shù)[6](MelfrequencycepstralcoefficientMFCC)計算特征時的幀寬為256點幀移128點三角濾波器個數(shù)為24。此外特征中還加上了能夠描述語音動態(tài)特性一階差分?MFCC作為一幀語音的特征參數(shù)。3.2模型訓(xùn)練定義直接錄入的語音信道為CHS通過高保真錄音設(shè)備轉(zhuǎn)錄后的語音信道為CHR。根據(jù)GMM2UBM的基本

10、原理錄音檢測系統(tǒng)需要訓(xùn)練2個模型一個是描述說話人空間特征的UBM另外一個是訓(xùn)練樣本的模型M。采用NIST2002的數(shù)據(jù)庫約300MB的語音數(shù)據(jù)訓(xùn)練UBM模擬說話人的空間特征分布。CHS信道的訓(xùn)練樣本被分成2部分一部分用來從UBM自適應(yīng)得到靜音模型另一部分則用來在模型上進行測試和打分對分數(shù)做歸一化處理得到識別分數(shù)分布范圍[ab]。3.3識別過程通過模型訓(xùn)練[78]過程得到了信道CHS的模型M及其分數(shù)的分布范圍[ab]。分數(shù)分布范圍描述的是

11、CHS信道的測試語音在CHS信道模型M上打分的分布。若測試語音來自CHR信道則其分數(shù)在理論上應(yīng)該在[ab]外。對于任意一段輸入語音S提取此語音S的靜音計算靜音的特征參數(shù)用靜音特征在模型M上打分得到分數(shù)R。若R∈[ab]則判斷此語音信道為CHS信道允許其進入說話人識別系統(tǒng)否則判斷此語音信道為CHR類型阻止其進入說話人識別系統(tǒng)。4實驗與結(jié)論從網(wǎng)絡(luò)文章中摘選出若干語料作為實驗數(shù)據(jù)句長為朗讀語速15～20s左右。具體錄音流程為:在安靜的環(huán)境下用

12、高保真錄音設(shè)備和普通錄音輸入同時錄制說話人的語音分別得到數(shù)據(jù)集HIFIDB(采樣率為16K)和NMDB1(采樣率為16K)然后將高保真錄音設(shè)備錄制的語音(HIFIDB)用外置音響在相同的環(huán)境下播放用錄音設(shè)備采集得到數(shù)據(jù)集NMDB2(采樣率為16K)如表1所示。表1實驗數(shù)據(jù)表數(shù)據(jù)集男聲女聲總計HIFIDB15060210NMDB115060210NMDB215060210以上述數(shù)據(jù)為基礎(chǔ)進行如下3組實驗。1)以GMM2UBM說話人識別系統(tǒng)