[發(fā)明專利]一種端到端錄音設(shè)備源識別方法、識別系統(tǒng)、計算機設(shè)備

在審

• 申請?zhí)枺?/td>: 202111313782.0
• 申請日: 2021-11-08
• 公開（公告）號: CN114067831A
• 公開（公告）日: 2022-02-18
• 發(fā)明（設(shè)計）人: 曾春艷;馮世雄;王志鋒;孔帥;余琰;夏詩言
• 申請（專利權(quán)）人: 湖北工業(yè)大學(xué)
• 主分類號: G10L25/24
• 分類號: G10L25/24;G10L25/30;G10L25/51;G06N3/04;G06N3/08
• 代理公司: 北京金智普華知識產(chǎn)權(quán)代理有限公司 11401
• 代理人: 張曉博

本發(fā)明屬于數(shù)字音頻被動取證技術(shù)領(lǐng)域，公開了一種端到端錄音設(shè)備源識別方法、識別系統(tǒng)、計算機設(shè)備，按時序分幀提取數(shù)字音頻中的梅爾倒譜系數(shù)作為設(shè)備源特征，再劃分為時序特征片段分別提取高斯均值矩陣，得到時序高斯均值矩陣特征；利用卷積神經(jīng)網(wǎng)絡(luò)對時序高斯均值矩陣特征進行深度表示學(xué)習(xí)，提取深度瓶頸特征；通過雙向長短期記憶神經(jīng)網(wǎng)絡(luò)提取深度時序瓶頸特征中的時域特性，進行錄音設(shè)備源的識別分類。本發(fā)明能夠有效的檢測區(qū)分大量的錄音設(shè)備型號，并充分考慮到數(shù)字音頻自身的特殊性，提高了算法的準(zhǔn)確度與效率；本發(fā)明在進行錄音設(shè)備源任務(wù)時，所需語音數(shù)據(jù)量小，每條音頻文件只需要數(shù)秒的長度，不需要特意使用非語音段進行識別。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)字音頻被動取證技術(shù)領(lǐng)域，尤其涉及一種基于時序超矢量表示學(xué)習(xí)的端到端錄音設(shè)備源識別方法。

背景技術(shù)

目前，近十年來，隨著電子信息產(chǎn)業(yè)的快速發(fā)展與進步，智能手機和平板電腦等移動設(shè)備得到了廣泛普及，音頻的錄制與存儲、傳輸?shù)谋憬菪垣@得極大的提升，錄音操作隨時隨地都可以在移動設(shè)備上進行，不再受到需要使用專業(yè)錄音設(shè)備的限制。

在使用智能手機等移動設(shè)備進行錄音時，所錄制的音頻以數(shù)字音頻數(shù)據(jù)文件的形式保存。通過錄音獲得的數(shù)字音頻數(shù)據(jù)文件中，攜帶著如語音內(nèi)容、語言種類、說話人信息、說話人情緒、說話人性別、環(huán)境噪聲等很多信息，其中也包含著與錄音設(shè)備相關(guān)的信息。在關(guān)于語音內(nèi)容或說話人識別類別的任務(wù)中，使用到的特征信息是來自于說話人聲音的生物特征，而在錄音設(shè)備源識別任務(wù)中，使用到的特征信息來源于數(shù)字信號傳輸過程中產(chǎn)生的差異性特征。

在使用移動設(shè)備錄制音頻時，由于不同的錄音設(shè)備內(nèi)部電路結(jié)構(gòu)與元器件的差異，音頻錄制過程中產(chǎn)生的語音激勵信號在設(shè)備電路中的傳遞會產(chǎn)生差異性，這種差異性造成了不同錄音設(shè)備在采集語音過程中會在音頻文件中留下具有區(qū)分性的特征痕跡。

許多研究人員在錄音設(shè)備源識別領(lǐng)域做了一些包括錄音設(shè)備聚類、識別等相關(guān)工作。在深度學(xué)習(xí)技術(shù)應(yīng)用到錄音設(shè)備源識別領(lǐng)域前，通常采用提取音頻中的頻譜特征如MFCC、LFCC和IMFCC等，然后采用特定的機器學(xué)習(xí)方法分析特征進行分類。

近年來，由于深度學(xué)習(xí)技術(shù)的快速發(fā)展，許多研究人員將深度學(xué)習(xí)技術(shù)應(yīng)用于錄音設(shè)備源識別研究領(lǐng)域，錄音設(shè)備源識別技術(shù)獲得了快速的發(fā)展。深度神經(jīng)網(wǎng)絡(luò)具有強大的表示學(xué)習(xí)能力，可以從原始數(shù)據(jù)中自動提取高度抽象和復(fù)雜的特征，可以自動尋找出與分類任務(wù)最相關(guān)的特征信息，高效提取出最具區(qū)分度的潛在內(nèi)部特征。CNN(卷積神經(jīng)網(wǎng)絡(luò))和DNN(深度神經(jīng)網(wǎng)絡(luò))已被證明是是錄音設(shè)備源識別、提取相關(guān)特征域空間相關(guān)性的有效方法。隨著深度學(xué)習(xí)技術(shù)的發(fā)展進步，神經(jīng)網(wǎng)絡(luò)的發(fā)展朝著網(wǎng)絡(luò)層數(shù)越來越高、網(wǎng)絡(luò)結(jié)構(gòu)越來越復(fù)雜的趨勢發(fā)展，因為深層復(fù)雜網(wǎng)絡(luò)比淺層單一網(wǎng)絡(luò)有更強的擬合能力，能夠提取更多特征，能夠解決更加復(fù)雜的問題，組合網(wǎng)絡(luò)對比單一網(wǎng)絡(luò)展現(xiàn)出了明顯的優(yōu)勢。

同時，從特征的角度來看，以往的錄音設(shè)備源識別方法中，使用的多是MFCC、LFCC和IMFCC等音頻中的頻譜類短時譜特征，這類特征是從錄音數(shù)據(jù)中直接提取到的聲學(xué)特征，包含著包括語音內(nèi)容、環(huán)境噪聲、說話人信息等與錄音設(shè)備源識別無關(guān)的干擾信息，有研究人員使用GMM(高斯混合模型)方法進一步提取出了更具表達(dá)性的高斯超矢量(GaussianSuper Vector，GSV)特征，但是這些特征只使用到了從數(shù)據(jù)的頻域特性中獲取到的空間信息，而忽略了連續(xù)音頻數(shù)據(jù)中的時域特性，舍棄了錄音設(shè)備源信號中的時序信息。

近來的錄音設(shè)備源識別方法的更新與深度學(xué)習(xí)技術(shù)的發(fā)展緊密相連，有研究人員使用新的深度學(xué)習(xí)網(wǎng)絡(luò)模型與思想對錄音設(shè)備源識別技術(shù)做出了改進，很多優(yōu)秀的深度網(wǎng)絡(luò)模型被應(yīng)用到了錄音設(shè)備源識別領(lǐng)域。出現(xiàn)了使用循環(huán)神經(jīng)網(wǎng)絡(luò)類的網(wǎng)絡(luò)模型應(yīng)用到錄音設(shè)備源識別任務(wù)中，但在特征方面依舊使用的MFCC等短時頻譜特征，對設(shè)備源特征信息的表征能力非常有限。