[發明專利]說話人重識別方法及系統

在審

• 申請號: 201710488312.5
• 申請日: 2017-06-23
• 公開（公告）號: CN107358947A
• 公開（公告）日: 2017-11-17
• 發明（設計）人: 梁超;吳琳;阮威健;黃文軍
• 申請（專利權）人: 武漢大學;武漢大學蘇州研究院
• 主分類號: G10L15/06
• 分類號: G10L15/06;G10L15/065;G10L15/07;G10L15/10;G10L15/14;G10L25/21;G10L25/24
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙)42222
• 代理人: 胡艷

1.說話人重識別方法，其特征是，包括：

S1采集不同場景下不同人物涉及不同情感的語音樣本，構建多場景的人聲語料庫；

S2對人聲語料庫中各語音樣本分別進行預處理，所述的預處理包括依次進行采樣與量化、預加重和分幀加窗；

S3基于人聲語料庫進行場景分析與聚類，具體為：

3.1分場景提取預處理后語音樣本各幀的特征；

3.2采用各場景提取的特征分別訓練各場景的混合高斯模型GMMs；

3.3計算各場景的混合高斯模型間的距離，即場景間的差異性；

3.4根據場景間的差異性對人聲語料庫中所有場景進行聚類；

S4，語音信號建模，具體為：

4.1采用聚類后各類場景下語音樣本各幀的特征，分別訓練各類場景的混合高斯模型GMMs，所訓練的混合高斯模型即各類場景的統一背景模型UBM；

4.2結合各類場景下的統一背景模型UBM和該類場景下各語音樣本特征向量，運用MAP自適應技術，得到人聲語料庫中各語音樣本的混合高斯模型GMMs；

S5在人聲語料庫中查找與查詢語音匹配的語音樣本，具體為：

5.1定義集合構建集合Q上的近鄰圖G＝<Q,E>，近鄰圖邊E的權重值用親和矩陣中對應的元素值表示；其中，x^p表示查詢語音，表示人聲語料庫中第i個語音樣本，n表示人聲語料庫中語音樣本數；

5.2根據親和矩陣A和排序函數估計人聲語料庫中各語音樣本對應的排序分數，根據排序分數獲得與查詢語音匹配的語音樣本，從而實現說話人重識別。

2.如權利要求1所述的說話人重識別方法，其特征是：

步驟S1具體為：

從視頻資料和/或音頻資料提取不同場景不同人物涉及不同情感的音頻信息，從音頻信息截取語音片段并進行采樣率轉換，保證每個語音片段只有一個人的聲音；采樣率轉換后的語音片段即語音樣本；

所述的不同場景包括室內場景、室外場景和電話場景，其中，室內場景進一步包括屋內場景、辦公室場景、車內場景、餐廳場景、酒吧場景；室外場景進一步包括樓道場景、街道場景、公園場景；

所述的不同人物包括不同性別和不同年齡層的人物，其中，不同年齡層又包括幼年、少年、青年、中年和老年；

所述的不同情感包括高興、抑郁、憤怒、悲傷、驚訝和疑惑。

3.如權利要求1所述的說話人重識別方法，其特征是：

子步驟3.1中，所述的特征為梅爾頻率倒譜系數、線性梅爾頻率倒譜系數、線性預測倒譜系數、耳蝸濾波器倒譜系數、時域特征中的短時能量、時域特征中的短時過零率或前述特征的高階組合特征。

4.如權利要求1所述的說話人重識別方法，其特征是：

步驟3中，執行子步驟3.2前，對子步驟3.1提取的特征進行降維處理。

5.如權利要求1所述的說話人重識別方法，其特征是：

子步驟3.3中，采用無跡變換近似KL散度法、蒙特卡諾分析法、變分近似法或匹配約束近似法計算各場景的混合高斯模型間的距離。

6.如權利要求1所述的說話人重識別方法，其特征是：

步驟S3中所述的基于人聲語料庫進行場景分析與聚類，具體為：

3.1分場景提取預處理后語音樣本各幀的特征；3.2根據語音樣本各幀的特征計算場景間的差異性；3.3根據場景間的差異性對人聲語料庫中所有場景進行聚類。

7.如權利要求1所述的說話人重識別方法，其特征是：

子步驟5.1中，親和矩陣采用如下方法獲得：

計算人聲語料庫中語音樣本間的親和矩陣A^g；

當待查詢語音段x^p來到時，計算x^p到人聲語料庫中各語音樣本間的距離d_p-g，將d_p-g添加至親和矩陣A^g，獲得親和矩陣