說話人分割聚類中的建模方法研究.pdf

1、隨著互聯(lián)網(wǎng)時代的到來，以及大數(shù)據(jù)的發(fā)展，每天接受的信息大幅增長，這些信息中包含著電話通信、電視和網(wǎng)絡(luò)等語音信息，同時隨著科技的不斷發(fā)展和電子設(shè)備的大量普及，有聲郵件、語音搜索等在日常生活中扮演著越來越重要的角色。面對這些如雨后春筍般出現(xiàn)的信息，如何從中有效提取有用的信息，是目前研究的難點和熱點。
　　說話人分割聚類融合了多種音頻處理技術(shù)，并能夠?qū)崿F(xiàn)對說話人類別和說話內(nèi)容的精確管理，因此說話人分割聚類技術(shù)引起了眾多學(xué)者的興趣，比如麻

2、省理工、法國LIMSI、劍橋、伯克利等已經(jīng)展開研究，且取得了一定成果，但是說話人分割聚類中仍有幾大難點難以解決，比如復(fù)雜場景下建模不準確、短時語音段表示不準確、聚類效率慢以及說話人數(shù)目確定困難等，本文針對這些問題展開研究，具體內(nèi)容為以下幾個方面:
　　針對復(fù)雜場景下建模不準確的問題，論文將有監(jiān)督的建模方法應(yīng)用到說話人分割聚類中，利用深度神經(jīng)網(wǎng)絡(luò)替代傳統(tǒng)建模方法提取語音信號中深層次的復(fù)雜信息，將輸出節(jié)點中的音素狀態(tài)作為建模初始類別數(shù)

3、，并和全差異建模相結(jié)合，從而使音素特征和說話人特征有效地解耦，最終得到對語音段更加魯棒性的表示，從而提高系統(tǒng)性能。
　　對于短時語音段表示不準確的問題，論文提出了構(gòu)造基于深度神經(jīng)網(wǎng)絡(luò)的說話人類內(nèi)短時語音段差異建模的方法，通過對存在差異的短時語音段進行有效建模，補償語音段之間的差異，減少干擾信息的負面影響，從而使得低維因子向量準確的包含語音段中的說話人信息，從而使得短時語音段能夠更加準確地被表示。
　　為了能夠?qū)崿F(xiàn)高效建模的目

4、標，提高聚類效率，論文用譜聚類的方法代替原有的層次凝聚聚類，通過計算語音段間的距離，構(gòu)造基于距離的關(guān)聯(lián)矩陣，利用改進的Eigen gap方法尋找最優(yōu)的聚類數(shù)目，確定語音段中的說話人數(shù)目，根據(jù)已經(jīng)確定的類別數(shù)，通過對關(guān)聯(lián)矩陣特征結(jié)構(gòu)分布的分析，對分割后的語音段進行聚類。譜聚類的方法不僅解決了說話人數(shù)目難以確定的問題，而且聚類速度高于傳統(tǒng)的層次凝聚聚類方法。
　　利用本文提出的三種方法，能夠有效解決目前說話人分割聚類中存在的難點，通過