[發(fā)明專利]一種短時(shí)語(yǔ)音條件下的說(shuō)話人識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810207343.3
• 申請(qǐng)日: 2018-03-13
• 公開（公告）號(hào): CN108461085A
• 公開（公告）日: 2018-08-28
• 發(fā)明（設(shè)計(jì)）人: 李燕萍;劉俊坤;凌云志
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): G10L17/04
• 分類號(hào): G10L17/04;G10L17/00;G10L17/02
• 代理公司: 南京蘇科專利代理有限責(zé)任公司 32102
• 代理人: 陳望坡;姚姣陽(yáng)

本發(fā)明公開了一種短時(shí)語(yǔ)音條件下的說(shuō)話人識(shí)別方法，包括以下步驟：（1）：對(duì)不同說(shuō)話人的短時(shí)語(yǔ)音進(jìn)行預(yù)處理，提取語(yǔ)音特征向量并相應(yīng)說(shuō)話人標(biāo)記；（2）：用語(yǔ)音特征數(shù)據(jù)對(duì)深度置信網(wǎng)絡(luò)進(jìn)行有監(jiān)督的訓(xùn)練，構(gòu)建深度置信網(wǎng)絡(luò)模型；（3）：將深度置信網(wǎng)絡(luò)模型中瓶頸層之后的網(wǎng)絡(luò)結(jié)構(gòu)去除，形成瓶頸輸出網(wǎng)絡(luò)模型；（4）：將不同說(shuō)話人的語(yǔ)音特征向量依次經(jīng)過瓶頸輸出網(wǎng)絡(luò)模型，提取得到相應(yīng)的瓶頸特征，然后將瓶頸特征作為矢量量化訓(xùn)練輸入，構(gòu)建矢量量化模型；（5）：將待識(shí)別短時(shí)語(yǔ)音的語(yǔ)音特征向量經(jīng)過瓶頸輸出網(wǎng)絡(luò)模型，提取相應(yīng)瓶頸特征，再將得到的待識(shí)別短時(shí)語(yǔ)音的瓶頸特征輸入矢量量化模型進(jìn)行識(shí)別。本發(fā)明具有系統(tǒng)識(shí)別率高的優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及信號(hào)處理、機(jī)器學(xué)習(xí)和模式識(shí)別技術(shù)領(lǐng)域，尤其涉及一種短時(shí)語(yǔ)音條件下的說(shuō)話人識(shí)別方法。

背景技術(shù)

說(shuō)話人識(shí)別又稱聲紋識(shí)別，是一種通過對(duì)說(shuō)話人的語(yǔ)音進(jìn)行處理和分析，自動(dòng)鑒別說(shuō)話人身份的技術(shù)。說(shuō)話人識(shí)別是根據(jù)語(yǔ)音波形中反映說(shuō)話人生理和行為個(gè)性特征的語(yǔ)音參數(shù)來(lái)區(qū)分說(shuō)話人的身份。說(shuō)話人識(shí)別技術(shù)與其他生物識(shí)別技術(shù)相比，具有采集設(shè)備簡(jiǎn)單、認(rèn)證方式友好、易于擴(kuò)展等優(yōu)勢(shì)，在軍事安全系統(tǒng)、銀行證券系統(tǒng)以及司法鑒定系統(tǒng)等各個(gè)領(lǐng)域有廣泛的應(yīng)用。對(duì)說(shuō)話人識(shí)別系統(tǒng)實(shí)進(jìn)行研究時(shí)，通常進(jìn)行模型充分訓(xùn)練，采用足夠的語(yǔ)料進(jìn)行測(cè)試，但是系統(tǒng)在實(shí)際應(yīng)用時(shí)，采集的說(shuō)話人語(yǔ)音往往都是有限時(shí)長(zhǎng)，嚴(yán)重影響系統(tǒng)識(shí)別率，所以在短時(shí)語(yǔ)音條件下更好地發(fā)揮系統(tǒng)性能，具有非常重要意義。

目前短時(shí)語(yǔ)音條件下說(shuō)話人識(shí)別方法研究的比較少，主要有基于矢量量化的說(shuō)話人識(shí)別方法(簡(jiǎn)稱VQ)以及基于高斯混合模型的說(shuō)話人識(shí)別方法(簡(jiǎn)稱GMM)等識(shí)別方法，上述說(shuō)話人識(shí)別方法在短時(shí)語(yǔ)音條件下均存在以下缺陷：(1)直接采用說(shuō)話人語(yǔ)音MFCC特征進(jìn)行模型訓(xùn)練，MFCC特征參數(shù)包含了語(yǔ)音中大量信息，包括語(yǔ)義信息和說(shuō)話人個(gè)性特征信息，當(dāng)說(shuō)話人語(yǔ)音時(shí)長(zhǎng)有限時(shí)，加上說(shuō)話人情緒狀態(tài)和周圍環(huán)境的影響，使得識(shí)別模型很難對(duì)特征進(jìn)行正確的說(shuō)話人識(shí)別；(2)當(dāng)說(shuō)話人數(shù)量較多或者說(shuō)話人語(yǔ)音時(shí)長(zhǎng)較短時(shí)，系統(tǒng)識(shí)別率低。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種在短時(shí)語(yǔ)音條件下系統(tǒng)識(shí)別率高的的說(shuō)話人識(shí)別方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：所述的一種短時(shí)語(yǔ)音條件下的說(shuō)話人識(shí)別方法，包括以下步驟：

步驟(1)：采集不同說(shuō)話人的短時(shí)語(yǔ)音，并對(duì)所采集的不同說(shuō)話人的短時(shí)語(yǔ)音進(jìn)行預(yù)處理，提取不同說(shuō)話人的語(yǔ)音特征向量，并對(duì)所提取的語(yǔ)音特征向量進(jìn)行相應(yīng)說(shuō)話人標(biāo)記；

步驟(2)：用步驟(1)中得到的所有說(shuō)話人的語(yǔ)音特征數(shù)據(jù)對(duì)深度置信網(wǎng)絡(luò)進(jìn)行有監(jiān)督的訓(xùn)練，構(gòu)建深度置信網(wǎng)絡(luò)模型；

步驟(3)：將步驟(2)中構(gòu)建完成的深度置信網(wǎng)絡(luò)模型中瓶頸層之后的網(wǎng)絡(luò)結(jié)構(gòu)去除，形成瓶頸輸出網(wǎng)絡(luò)模型；

步驟(4)：將步驟(1)中提取的不同說(shuō)話人的語(yǔ)音特征向量依次經(jīng)過步驟(3)中構(gòu)建完成的瓶頸輸出網(wǎng)絡(luò)模型，提取得到相應(yīng)的瓶頸特征，然后將提取到的瓶頸特征作為矢量量化輸入數(shù)據(jù)進(jìn)行矢量量化訓(xùn)練，構(gòu)建矢量量化模型；

步驟(5)：先將待識(shí)別短時(shí)語(yǔ)音的語(yǔ)音特征向量經(jīng)過步驟(3)中構(gòu)建的瓶頸輸出網(wǎng)絡(luò)模型，提取得到待識(shí)別短時(shí)語(yǔ)音的瓶頸特征，然后再將提取得到的待識(shí)別短時(shí)語(yǔ)音的瓶頸特征輸入步驟(4)中構(gòu)建的矢量量化模型進(jìn)行識(shí)別。

進(jìn)一步地，前述的一種短時(shí)語(yǔ)音條件下的說(shuō)話人識(shí)別方法，其中：步驟(1)中采集說(shuō)話人語(yǔ)音時(shí)長(zhǎng)為不超過10s的短時(shí)語(yǔ)音。

進(jìn)一步地，前述的一種短時(shí)語(yǔ)音條件下的說(shuō)話人識(shí)別方法，其中：步驟(1)中對(duì)短時(shí)語(yǔ)音的預(yù)處理包括：預(yù)加重、分幀加窗以及端點(diǎn)檢測(cè)。

進(jìn)一步地，前述的一種短時(shí)語(yǔ)音條件下的說(shuō)話人識(shí)別方法，其中：步驟(1)中提取說(shuō)話人語(yǔ)音特征向量的具體方法為：提取說(shuō)話人語(yǔ)音40維MFCC參數(shù)，除去代表直流分量的第一維數(shù)據(jù)，然后進(jìn)行5幀拼接成一超幀，形成195維的語(yǔ)音特征向量。