基于語(yǔ)音組成單位的文本無(wú)關(guān)說(shuō)話人識(shí)別.pdf_第1頁(yè)
已閱讀1頁(yè),還剩87頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、本文就特征提取、文本無(wú)關(guān)說(shuō)話人識(shí)別的主要經(jīng)典方法作了回顧,強(qiáng)調(diào)并闡釋了各種方法在物理上的意義。針對(duì)文本無(wú)關(guān)說(shuō)話人識(shí)別中訓(xùn)練語(yǔ)音和測(cè)試語(yǔ)音的內(nèi)容不受制約因而不具可比性的問(wèn)題,本著“在具有可比性的語(yǔ)音組成單位中尋找不同的身份信息”的思想,系統(tǒng)地提出了一種說(shuō)話人識(shí)別方法。該方法提取語(yǔ)音中的濁音作為訓(xùn)練樣本和測(cè)試樣本。以LPC系數(shù)作為特征向量,將語(yǔ)音的每一幀特征向量視作一個(gè)語(yǔ)音組成單位。用一個(gè)高斯概率密度函數(shù)表征一個(gè)語(yǔ)音組成單位,以此為每個(gè)人建

2、立語(yǔ)音組成單位的模型,也就是每個(gè)人語(yǔ)音組成單位的集合。獲得模型各參數(shù)的方法是:對(duì)說(shuō)話者的訓(xùn)練樣本用k均值聚類算法進(jìn)行初始聚類,得到每一個(gè)類的類心和協(xié)方差矩陣的初始值。然后利用GMM迭代算法對(duì)類心和協(xié)方差矩陣進(jìn)行優(yōu)化處理。把優(yōu)化后的結(jié)果作為語(yǔ)音組成單位在特征空間中的表示,從而得到各語(yǔ)音組成單位在特征空間中的分布。以這個(gè)模型為基礎(chǔ),設(shè)計(jì)說(shuō)話人識(shí)別算法。通過(guò)處理測(cè)試樣本對(duì)模型中語(yǔ)音組成單位的匹配值,分別提出了一種對(duì)說(shuō)話人進(jìn)行確認(rèn)和辨認(rèn)的方法。

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論