[發(fā)明專利]身份矢量x-vector線性變換下的說話人識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910312097.2
• 申請(qǐng)日: 2019-04-18
• 公開（公告）號(hào): CN110047504B
• 公開（公告）日: 2021-08-20
• 發(fā)明（設(shè)計(jì)）人: 徐瓏婷;張光林;趙萍;張磊;季云云
• 申請(qǐng)（專利權(quán)）人: 東華大學(xué)
• 主分類號(hào): G10L25/18
• 分類號(hào): G10L25/18;G10L25/24;G10L25/30;G10L25/60;G10L15/02;G10L15/06
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 翁若瑩;柏子雵

本發(fā)明涉及一種身份矢量x?vector線性變換下的說話人識(shí)別方法，主要步驟是：對(duì)語(yǔ)音進(jìn)行特征提取，并分別提取其身份矢量x?vector和i?vector；利用同一個(gè)說話人的x?vector和i?vector進(jìn)行平行因子分析器訓(xùn)練；選取平行因子分析器中x?vector對(duì)應(yīng)的參數(shù)，在此參數(shù)基礎(chǔ)上對(duì)身份矢量x?vector進(jìn)行線性變換得到xl?vector；對(duì)新的身份矢量xl?vector訓(xùn)練PLDA模型；將待測(cè)試語(yǔ)音進(jìn)行特征提取以及x?vector提取，將其輸入到訓(xùn)練階段得到的線性變換器得到新的身份矢量xl?vector，最后將其輸入到訓(xùn)練階段得到的PLDA模型，從而得到最終結(jié)果。本發(fā)明在保證內(nèi)存需求和計(jì)算速度和基線系統(tǒng)相似的同時(shí)，提高了說話人識(shí)別的識(shí)別性能。

技術(shù)領(lǐng)域

本發(fā)明涉及本發(fā)明涉及生物識(shí)別中的說話人識(shí)別技術(shù)，更具體地說涉及一種身份矢量x-vector線性變換下的說話人識(shí)別技術(shù)。

背景技術(shù)

語(yǔ)音是人類進(jìn)行溝通交流的最直接方便的方式，它以其特有的方便性、經(jīng)濟(jì)性、準(zhǔn)確性等各方面的優(yōu)勢(shì)引起了各個(gè)研究機(jī)構(gòu)的注意。語(yǔ)音信號(hào)處理的研究對(duì)促進(jìn)人機(jī)交互、人工智能發(fā)展有著重大意義。為此，語(yǔ)音信號(hào)處理的相關(guān)領(lǐng)域，例如語(yǔ)音識(shí)別、語(yǔ)音編碼、語(yǔ)音合成、說話人識(shí)別等方向受到越來越多的關(guān)注與理論研究。說話人識(shí)別，又稱聲紋識(shí)別，其研究目標(biāo)是根據(jù)每個(gè)說話人的獨(dú)特發(fā)音進(jìn)行身份認(rèn)證。每個(gè)說話人的語(yǔ)音都有著獨(dú)特的個(gè)人特色，這是因?yàn)槊總€(gè)說話人天生的發(fā)聲器官不同，同時(shí)受后天所在的環(huán)境因素影響而培養(yǎng)成的屬于自己的一個(gè)獨(dú)特的嗓音。正是由于這種差異性，使得將語(yǔ)音作為一種生物特性作為識(shí)別目標(biāo)成為可能，說話人識(shí)別也逐漸形成了自己的一套比較完善的識(shí)別體系。

說話人識(shí)別系統(tǒng)包括了預(yù)處理部分、特征提取部分、模型訓(xùn)練與匹配計(jì)算部分。說話人識(shí)別的關(guān)鍵技術(shù)包括特征參數(shù)提取算法，模型的選擇和模型匹配算法，直接決定了識(shí)別系統(tǒng)的性能。說話人模型分為生成模型與判別模型。生成模型是學(xué)習(xí)各個(gè)類別各自的特征，即多個(gè)模型，識(shí)別數(shù)據(jù)映射到每個(gè)模型中，進(jìn)而確定識(shí)別數(shù)據(jù)屬于哪一類；判別模型是學(xué)習(xí)分類面，該分類面可用來區(qū)分不同的數(shù)據(jù)分別屬于哪一類。這兩個(gè)模型以基于全局差異模型(TotalVariabilityModeling，TVM) 的身份矢量i-vector、基于延時(shí)神經(jīng)網(wǎng)絡(luò)(Time-delayDeepNeuralNetwork，TDNN) 的身份矢量x-vector為代表，是目前使用最廣泛的兩個(gè)矢量模型。

x-vector的后端部分和i-vector后端部分一般均采用概率線性判別分析 (probabilisticlineardiscriminantanalysis，PLDA)的后端評(píng)分方法。x-vector模型下的結(jié)果與i-vector的結(jié)果在長(zhǎng)時(shí)語(yǔ)音下相當(dāng)，在短時(shí)語(yǔ)音下結(jié)果更好。不同的論文研究了如何提高x-vector模型下的系統(tǒng)性能，研究表明將i-vector和x-vector 的模型疊加或者PLDA得分融合可以提高系統(tǒng)性能，然而該種方法設(shè)計(jì)到兩種系統(tǒng)，需要大量的內(nèi)存需求，同時(shí)計(jì)算速度也會(huì)受到影響。隨后，更多的研究通過數(shù)據(jù)擴(kuò)充的方式來提高x-vector的魯棒性，但是這種方法受識(shí)別環(huán)境影響。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種考慮在線識(shí)別目標(biāo)說話人的內(nèi)存量和計(jì)算時(shí)間的說話人識(shí)別方法。

為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是提供了一種基于身份矢量x-vector 線性變換下的說話人識(shí)別方法，其特征在于，包括如下步驟：

步驟1、提取說話人的訓(xùn)練語(yǔ)音的梅爾頻率倒譜系數(shù)作為說話人的特征；

步驟2、利用步驟1獲得的特征采用深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練x-vector模型，建立身份矢量x-vector模型，從而獲得身份矢量x-vector；

步驟3、利用步驟1獲得的特征基于EM算法訓(xùn)練i-vector模型，建立身份矢量i-vector模型，從而獲得身份矢量i-vector；