基于聲學(xué)參數(shù)和高層信息的說話人識別.pdf

1、語音技術(shù)是2000年至2010年間信息技術(shù)領(lǐng)域的十大重要科技發(fā)展技術(shù)之一。語音中所包含的最重要的信息是說話人所要表達(dá)的語義信息,同時語音也間接傳遞了說話者的個人身份信息,比如有關(guān)語種、心情、性別、年齡等,說話人識別技術(shù)在電話金融交易、網(wǎng)絡(luò)安全、多媒體數(shù)據(jù)檢索等領(lǐng)域獲得了廣泛的應(yīng)用?，F(xiàn)有的說話人識別技術(shù)主要基于底層的聲學(xué)參數(shù)信息特征,發(fā)展基于高層信息及其與聲學(xué)參數(shù)融合的識別技術(shù)是未來的發(fā)展方向,但目前仍存在一定的技術(shù)難點。本文對此進(jìn)行了嘗

2、試,從聲學(xué)參數(shù)、韻律參數(shù)以及字詞搭配等層面對說話人識別問題進(jìn)行了深入研究,主要研究工作和成果如下:
　　1、在基于聲學(xué)參數(shù)的說話人識別研究上,本文基于傳統(tǒng)的GMM-UBM系統(tǒng)和GLDS-SVM系統(tǒng),將訓(xùn)練和測試的每段語音都通過自適應(yīng)的方法得到一個混合高斯模型,計算混合高斯模型之間的馬氏距離。通過說話人模型、測試模型、UBM模型之間的三角形三條邊和三個夾角來識別說話人,將三條邊和三個角作為6維的特征矢量與GLDS的超矢量結(jié)合,在采用

3、支持向量機作為識別模型的情況下,相對于傳統(tǒng)的GMM-UBM系統(tǒng),能夠取得等錯誤率16％的相對下降。
　　2、在基于韻律參數(shù)的說話人識別研究上,本文采用勒讓德多項式的方法對能量包絡(luò)和基頻包絡(luò)進(jìn)行展開,把韻律特征形成一個13維的韻律參數(shù),然后采用GMM-SVM的方法進(jìn)行識別。進(jìn)一步,采用得分域的融合互補,將基于韻律參數(shù)的說話人識別系統(tǒng)和基于聲學(xué)參數(shù)的系統(tǒng)進(jìn)行融合,融合后的等錯誤率相對聲學(xué)參數(shù)的系統(tǒng)下降25％。
　　3、在基于說話

4、人字詞搭配的說話人識別研究上,本文采用音素搭配的n-gram在一句話中出現(xiàn)的概率來作為支持向量機的輸入特征參數(shù),為了解決數(shù)據(jù)稀疏性問題,本文采用KPCA的方法在降維的同時提高特征參數(shù)的區(qū)分性,在采用三個語種并行識別的情況下,能夠做到的等錯誤率為17.58％,如果和聲學(xué)參數(shù)以及韻律參數(shù)的系統(tǒng)進(jìn)行融合,最終能夠取得6.1％的等錯誤率。
　　4、本文在傳統(tǒng)的聲學(xué)參數(shù)研究的基礎(chǔ)上,針對不太成熟的韻律參數(shù)、字詞搭配的關(guān)系進(jìn)行了研究,從實驗的