[發明專利]一種用于說話人識別系統的后端i-vector增強方法

有效

• 申請號: 201710224925.8
• 申請日: 2017-04-07
• 公開（公告）號: CN107146601B
• 公開（公告）日: 2020-07-24
• 發明（設計）人: 王昕;張洪冉;李宗晏
• 申請（專利權）人: 南京郵電大學
• 主分類號: G10L15/02
• 分類號: G10L15/02;G10L15/06;G10L15/07;G10L17/02;G10L17/04;G10L25/18;G10L25/30
• 代理公司: 江蘇海越律師事務所 32402
• 代理人: 唐小紅

1.一種用于說話人識別系統的i-vector后端增強方法，其特征在于，分為訓練和識別兩個階段，訓練階段步驟如下：

A-1)，對訓練說話人語音信號進行預處理，包括預加重、端點檢測、分幀、加窗；

A-2)，MFCC提取法，提取說話人語音信號的MFCC特征；

A-3)，根據A-2)提取的MFCC特征訓練GMM-UBM模型來對語音聲學特征進行對準,并計算得到特征的高維充分統計量；

A-4)，根據A-3)得到的特征充分統計量訓練i-vector特征提取器，利用該提取器提取說話人語音信號的i-vector；

A-5)，i-vector特征提取器，提取純凈語音和含噪語音的i-vector,其中，含噪語音的i-vector作為DNN訓練數據，純凈語音的i-vector作為標簽數據；

A-6)，使用以下方法對深層神經網絡模型進行訓練，經過訓練后的深層神經網絡模型作為i-vector后端增強模塊，與i-vector/PLDA說話人識別模型融合；

識別步驟為：

B-1)，對識別語音進行預加重、端點檢測、分幀、加窗，并提取識別語音的MFCC特征；

B-2)，i-vector特征提取器，提取待識別說話人每條注冊語音和識別語音的i-vector,并將這些i-vector分別作為DNN模型的輸入，該模型的輸出為增強后的i-vector；

B-3)，將待識別說話人注冊語音增強后的i-vector和識別語音增強后的i-vector輸入PLDA模型打分，將PLDA輸出的似然比得分與設定的閾值比較，做出最終判決結果。

2.如權利要求1所述的方法，其特征在于，在A-2)中，還包括：

對分幀加窗后的各幀信號進行快速傅里葉變換得到各幀的頻譜，并對語音信號的頻譜取模平方得到語音信號的功率譜，設語音信號的DFT為：

式中x(n)為輸入的語音信號，N表示傅里葉變換的點數；

將能量譜通過一組Mel尺度的三角形濾波器組，定義一個有M個濾波器的濾波器組，采用的濾波器為三角濾波器，中心頻率為f(m),m＝1,2,...,M，M取22-26；各f(m)之間的間隔隨著m值的減小而縮小，隨著m值的增大而增寬；

經離散余弦變換(DCT)得到MFCC系數：

將對數能量帶入離散余弦變換，求出L階的梅爾頻率倒譜參數；L階指MFCC系數階數，取12-16；這里M是三角濾波器個數。

3.如權利要求1所述的方法，其特征在于，在A-6)中，還包括：

深層神經網絡deep neural network即DNN模型訓練步驟如下：

(A-6-1)利用對比散度CD算法逐層預訓練構成DBN網絡的RBM參數，采用自底向上的方法訓練多個RBM,每個RBM隱含層作為下一RBM輸入層，逐層累加得到多層結構；

(A-6-2)在訓練好的DBN頂部添加線性輸出層得到DNN結構，利用誤差反向傳播算法，將MMSE函數作為優化函數，通過最小化優化函數得到最優參數。