基于若干聲紋信息空間的說話人識別技術(shù)研究.pdf

1、隨著說話人識別技術(shù)的日臻成熟，研究人員開始專注于實(shí)際應(yīng)用中面臨的各種問題，提出合理的解決方案，以不斷的提升系統(tǒng)性能，將說話人識別技術(shù)真正地推向?qū)嵱没６谘芯亢蛻?yīng)用當(dāng)中，如何獲取體現(xiàn)說話人身份的聲紋信息，以及如何應(yīng)用這些信息進(jìn)行辨識都是當(dāng)前的熱點(diǎn)研究問題。聲紋信息是一種超音段信息，承載這種信息的載體分布于對應(yīng)說話人所說的全部語音數(shù)據(jù)當(dāng)中，但是不同的聲紋信息載體反映說話人信息的能力并不相同。本文將承載說話人身份信息的某種載體所能表征的所有

2、相關(guān)聲紋信息，稱為聲紋信息空間。于是在語音數(shù)據(jù)中，就存在若干個(gè)能夠用于說話人識別技術(shù)的聲紋信息空間。本文將從音素空間，時(shí)域空間，頻率空間，深層特征空間這四個(gè)層面的聲紋信息空間入手，展開深入的研究，以求在相應(yīng)的聲紋空間中獲得合適的特征表述，確定合適的建模方法。本論文主要的工作如下：
　　 1．基于音素空間的說話人識別技術(shù)
　　 音素片段當(dāng)中不僅包含文本信息，同時(shí)也包含有說話人身份的信息，因此音素片段是一種聲紋信息的載體?？?/p>

3、以通過這個(gè)載體表征的所有聲紋信息，被稱之為音素空間。本文目的在于，在這個(gè)獨(dú)特的聲紋信息空間當(dāng)中，提取并應(yīng)用反映說話人身份特性的信息。首先本文借助音素級別的譜包絡(luò)模版集合，來揭示不同說話人之間的身份差異。進(jìn)一步的，為了消除單一譜包絡(luò)模版集合表征的音素空間不完備，造成的聲紋信息遺漏的問題，因此本文引進(jìn)了多組譜包絡(luò)模版集合來刻畫聲紋信息。使用音素模版集合刻畫聲紋信息，類似于在音素空間中進(jìn)行聲紋信息的編碼過程，因此我們稱這種方法為多語言編碼的說

4、話人識別系統(tǒng)。為了量化音素模版代表的說話人信息，本文同時(shí)使用最大似然線性回歸準(zhǔn)則估計(jì)出來的映射矩陣和偏移向量來體現(xiàn)這些聲紋信息。最后，為了獲取多個(gè)音素空間中譜包絡(luò)模版集合之間的信息互補(bǔ)能力，本文嘗試了多種合理的信息融合策略。實(shí)驗(yàn)表明，在音素空間中，本文提出的方法獲得了系統(tǒng)性能上的提升，達(dá)到了本文的預(yù)期目的。
　　 2.基于時(shí)域空間的說話人識別技術(shù)
　　 相同說話人在不同的通信環(huán)境下，以及不同的自身狀態(tài)下，產(chǎn)生的語音數(shù)據(jù)在

5、表達(dá)形式上差異很大。而體現(xiàn)說話人特性的聲紋信息，卻蘊(yùn)藏在這些產(chǎn)生在不同時(shí)間點(diǎn)的表達(dá)形式當(dāng)中。本文把蘊(yùn)藏在來自不同時(shí)間段語音內(nèi)部的聲紋信息，稱為時(shí)域空間。常用的說話人識別系統(tǒng)在這種變化的環(huán)境下，識別性能會遭受較大的衰減。傳統(tǒng)的方法使用因子分析或者擾動屬性映射來消除這些不利的影響，而本文試圖用非監(jiān)督自適應(yīng)模型的方法來解決時(shí)域空間中的這一問題。非監(jiān)督自適應(yīng)的方法，在模型訓(xùn)練的過程中，不停地使用采集自不同時(shí)間段的語音數(shù)據(jù)來更新模型，這有效的利用

6、了分布在不同時(shí)間段上的聲紋信息。本文首先回顧了非監(jiān)督自適應(yīng)方法在模型域上的實(shí)現(xiàn)，介紹了硬判決和軟判決這兩種更新策略。然后提出了非監(jiān)督自適應(yīng)在得分域上的改進(jìn)算法。通過定義得分先驗(yàn)分布，以及得分置信度，最終得到針對得分規(guī)整的一種非監(jiān)督算法。這種時(shí)域空間上說話人識別技術(shù)，避免了模型域更新帶來的大規(guī)模的計(jì)算復(fù)雜度，同時(shí)也可以獲得不錯(cuò)的識別性能。
　　 3．基于頻域空間的說話人識別技術(shù)
　　 語音信號頻譜上的各個(gè)頻帶之間存在著一定

7、的相關(guān)特性，這種相關(guān)特性不僅揭示了語音的文本信息，同時(shí)也反映著說話人身份的信息。這種說話人信息載體所體現(xiàn)的所有聲紋信息被稱為頻域空間。為了揭示頻域空間中包含的聲紋信息，以及它們所具有的話者識別能力，本文首先通過實(shí)驗(yàn)，證明了協(xié)方差建模對于描述聲紋信息分布起著的較為重要的作用。由于協(xié)方差矩陣在真實(shí)環(huán)境中，面臨著參數(shù)估計(jì)較為困難的情況，本文提出了兩種穩(wěn)定的參數(shù)估計(jì)方法。在獲得了協(xié)方差估計(jì)之后，通過構(gòu)造與均值超級向量相似的信息表達(dá)方式，得到了協(xié)

8、方差超級矩陣。隨后，本文提出了兩種超級矩陣的距離度量公式，來表征頻域空間上的聲紋信息的相似程度。最后通過合理的分類器設(shè)計(jì)，在頻域空間獲得了與主流均值超級向量系統(tǒng)相似的識別性能，并且與之有一定的互補(bǔ)能力。
　　 4．基于深層特征空間的說話人識別技術(shù)
　　 傳統(tǒng)的識別系統(tǒng)中，無論是建模過程還是特征提取，均可以使用淺層結(jié)構(gòu)來解釋。本文試圖利用深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，來探索蘊(yùn)藏在頻譜信息當(dāng)中，深層特征空間上的聲紋信息。本文首先通過深層

9、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，來模擬人類對于聲紋信息的感知。深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練分為兩個(gè)部分：一個(gè)是非監(jiān)督的特征擴(kuò)展操作，在這個(gè)階段中，網(wǎng)絡(luò)結(jié)構(gòu)將原始的語音數(shù)據(jù)映射為具有抽象概括能力的深層特征表示。但是經(jīng)由深層網(wǎng)絡(luò)結(jié)構(gòu)獲得的深層特征表征，并沒有清楚的分離說話人信息與其他非說話人的信息。于是本文提出了網(wǎng)絡(luò)訓(xùn)練的另一個(gè)重要步驟，即精細(xì)調(diào)節(jié)操作。這個(gè)步驟作用在深層特征空間中，目的是進(jìn)一步提取聲紋信息。為此本文提出了兩個(gè)限制條件，即通過稀疏編碼限制以及說話人