基于深度學(xué)習(xí)的說(shuō)話(huà)人識(shí)別研究.pdf

1、在現(xiàn)代社會(huì)，人們獲取信息越來(lái)越容易，手段越來(lái)越多，隨之產(chǎn)生的是隱私保護(hù)更為迫切，因此對(duì)加密的要求也越來(lái)越高。如今，除了傳統(tǒng)的指紋加密、字符加密等外，利用語(yǔ)音來(lái)識(shí)別身份作為加密的方式也引起了人們的興趣，因而說(shuō)話(huà)人識(shí)別也越來(lái)越受到重視。本文主要研究說(shuō)話(huà)人識(shí)別中的說(shuō)話(huà)人確認(rèn)，即判斷某段語(yǔ)音是否為指定的說(shuō)話(huà)人所說(shuō)，且核心研究是文本相關(guān)的說(shuō)話(huà)人確認(rèn)（要求注冊(cè)和測(cè)試時(shí)的說(shuō)話(huà)人和說(shuō)話(huà)內(nèi)容都正確才可通過(guò)），同時(shí)會(huì)有少部分文本無(wú)關(guān)實(shí)驗(yàn)和研究。在說(shuō)話(huà)人確認(rèn)

2、技術(shù)中，作為最經(jīng)典的GMM-UBM系統(tǒng)和目前最先進(jìn)的i-vector系統(tǒng)，前者實(shí)現(xiàn)方式簡(jiǎn)單易操作但性能很難拔尖，后者在文本無(wú)關(guān)的說(shuō)話(huà)人系統(tǒng)中表現(xiàn)優(yōu)越但在文本相關(guān)的說(shuō)話(huà)人系統(tǒng)中卻不如GMM-UBM。2006年Hinton提出了深度信念網(wǎng)絡(luò)無(wú)監(jiān)督訓(xùn)練算法，使得深度學(xué)習(xí)作為一個(gè)新的領(lǐng)域出現(xiàn)在機(jī)器學(xué)習(xí)研究中。深度學(xué)習(xí)在語(yǔ)音識(shí)別等領(lǐng)域的成功應(yīng)用，也引起了說(shuō)話(huà)人識(shí)別領(lǐng)域的關(guān)注。本文將研究深度學(xué)習(xí)模型在說(shuō)話(huà)人確認(rèn)系統(tǒng)中的應(yīng)用，基于GMM-UBM和i-

3、vector兩個(gè)基線(xiàn)框架下融入深度學(xué)習(xí)模型。
　　在GMM-UBM框架下，研究對(duì)象是深度特征，即由深度學(xué)習(xí)模型隱層輸出的再經(jīng)過(guò)一些前端處理后的特征，尤其是深度特征與頻譜特征拼接形成的tandem深度特征。在文本相關(guān)條件下，本文首次全面地將深度特征包括tandem深度特征用于GMM-UBM說(shuō)話(huà)人確認(rèn)中，而且取得了較高地性能提升，最好的結(jié)果EER提升了50％以上。同時(shí)，文本無(wú)關(guān)條件下的實(shí)驗(yàn)也驗(yàn)證了深度特征的有效性。
　　在i-v

4、ector框架下，主要針對(duì)其在文本相關(guān)條件下的性能不足，提出了兩種完全在深度神經(jīng)網(wǎng)絡(luò)框架下提取說(shuō)話(huà)人向量的方法：經(jīng)聯(lián)合訓(xùn)練說(shuō)話(huà)人網(wǎng)絡(luò)和文本內(nèi)容網(wǎng)絡(luò)而得到的j-vector和基于神經(jīng)網(wǎng)絡(luò)基分解的s-vector。其中j-vector取得了文本相關(guān)的說(shuō)話(huà)人系統(tǒng)性能上的進(jìn)一步提升，超過(guò)了基于tandem深度特征的GMM-UBM系統(tǒng)。另外，針對(duì)文本無(wú)關(guān)的i-vector系統(tǒng)，本文在利用深度神經(jīng)網(wǎng)絡(luò)優(yōu)化i-vector提取上進(jìn)行了一定的嘗試。