會話語音中說話人識別的研究_圖文

1、重慶大學碩士學位論文會話語音中說話人識別的研究姓名:劉大鵬申請學位級別:碩士專業(yè):計算機軟件與理論指導教師:朱慶生20070420 音自適應修改通用模型獲得,之后每段語音用已知說話人模型計算匹配度。若通用模型的匹配度最大,則建立新的說話人模型,否則,此段語音屬于匹配度最大的那個說話人,并用它自適應該說話人模型。121上述研究可以解決沒有先驗知識的情況下語音材料的分類問題,但是由于沒有每個說話人的訓練模型,它并不能確切的標注每一段是由誰說的,也就達不到標注索引的目的,只能歸類;并且由于訓練模型本身就是不精確的通用模型,其正確率也就比有先驗知識的情況要差。本文的研究就是基于已知測試語音中可能出現(xiàn)的

2、說話人信息下迸行的,例如國際會議,與會者在進入會場前先用語音注冊其說話人特征。本系統(tǒng)的實驗流程圖如下: 圖4.2本文采用的說話人識別流程圖chart used in this paperFig4.2The雄Blkcr identification4.1端點檢測語音信號端點檢測的目的是從連續(xù)采樣得到的數(shù)字信號中檢測出語音信號段和靜音(噪音信號段。找出語音段的起始點和終止點,使采樣的數(shù)據(jù)真正是語音信號的數(shù)據(jù),從而減少數(shù)據(jù)的運算量,并減少處理時間,凈化語音數(shù)據(jù)。端點作為語音分割的重要特征,在很大程度上影響著語音識別的性能。 最大1.5秒時延的切分法從理論上講。應該是行之有效的。4.3說話人轉(zhuǎn)折點檢測

3、說話人檢測在嵌入式實時系統(tǒng)中應用日趨廣泛,這就要求不僅要保證說話人系統(tǒng)的識別率,而且要盡量降低系統(tǒng)資源消耗,減少計算復雜度。考慮到實際環(huán)境中說話人轉(zhuǎn)折點多數(shù)發(fā)生在語音停頓處這一現(xiàn)象,為了減少識別時與多個模型作模式匹配的計算量。本文引入了在無先驗知識的說話人檢測中常用的分段與聚類技術(shù)。而分段與聚類所需的計算量遠小于與每個說話人進行模式匹配的計算量,并且系統(tǒng)越大、說話人模型越多,其計算量的差距就越大。聚類的基本思路是:對于每個0級切分段只識別第一個1級切分段,此后的每個1級切分段與前一段做相似性比較,當相似度大于某一域值時,則認為與前一語音段屬于同一個說話入,不再進行模式匹配;只有當兩段分歧較大時

4、才認為可能是說話人轉(zhuǎn)折點,進行模式匹配的識別。這樣就把基于距離的檢測和基于模型的檢測結(jié)合了起來。常用的距離測量方法有Bayesian Information Criterion(BIC、GeneralizedLikelihood Ratio(GLR10,11,1筇5】、Kullbaek Leiblei distance(KL2t131、Hotellingf.s蜥s廿o(1。等算法。BIC法假設(shè)M=材。,M2,材,M。是所有的候選模型集合,k,是材,這一模型的參數(shù)數(shù)目,X=XI,X2,X3,耳為一群語音數(shù)據(jù)集,根據(jù)定義,BIC可寫成下式:BIC(M,=logL<五,X2,以I M>一亡碼logN(4.9二其中三<五.,.砭,XNlM,>為模型Mj和數(shù)據(jù)集x的最大似然值,丑為損失權(quán)重,根據(jù)(4.9式,就可以從眾多模型中找出一個最佳的模型來描述語音集x。假設(shè)X4=“,屯I-'o和Xs=“,而,%代表兩段連續(xù)語音段的特征向量,他們可能為一個說話人,也可能是兩個不同的說話人,假定如下: Ho:而,而,¨一N(u,(4.10Hi:而,x2,一N(u,;而,毒2,%一以5,口(4.11 圖4.6長度為N并包含一個說話人轉(zhuǎn)折點的語音段slice which c