基于聲學參數(shù)和高層信息的說話人識別.pdf

1、語音技術是2000年至2010年間信息技術領域的十大重要科技發(fā)展技術之一。語音中所包含的最重要的信息是說話人所要表達的語義信息,同時語音也間接傳遞了說話者的個人身份信息,比如有關語種、心情、性別、年齡等,說話人識別技術在電話金融交易、網(wǎng)絡安全、多媒體數(shù)據(jù)檢索等領域獲得了廣泛的應用?，F(xiàn)有的說話人識別技術主要基于底層的聲學參數(shù)信息特征,發(fā)展基于高層信息及其與聲學參數(shù)融合的識別技術是未來的發(fā)展方向,但目前仍存在一定的技術難點。本文對此進行了嘗

2、試,從聲學參數(shù)、韻律參數(shù)以及字詞搭配等層面對說話人識別問題進行了深入研究,主要研究工作和成果如下:
　　1、在基于聲學參數(shù)的說話人識別研究上,本文基于傳統(tǒng)的GMM-UBM系統(tǒng)和GLDS-SVM系統(tǒng),將訓練和測試的每段語音都通過自適應的方法得到一個混合高斯模型,計算混合高斯模型之間的馬氏距離。通過說話人模型、測試模型、UBM模型之間的三角形三條邊和三個夾角來識別說話人,將三條邊和三個角作為6維的特征矢量與GLDS的超矢量結合,在采用

3、支持向量機作為識別模型的情況下,相對于傳統(tǒng)的GMM-UBM系統(tǒng),能夠取得等錯誤率16％的相對下降。
　　2、在基于韻律參數(shù)的說話人識別研究上,本文采用勒讓德多項式的方法對能量包絡和基頻包絡進行展開,把韻律特征形成一個13維的韻律參數(shù),然后采用GMM-SVM的方法進行識別。進一步,采用得分域的融合互補,將基于韻律參數(shù)的說話人識別系統(tǒng)和基于聲學參數(shù)的系統(tǒng)進行融合,融合后的等錯誤率相對聲學參數(shù)的系統(tǒng)下降25％。
　　3、在基于說話

4、人字詞搭配的說話人識別研究上,本文采用音素搭配的n-gram在一句話中出現(xiàn)的概率來作為支持向量機的輸入特征參數(shù),為了解決數(shù)據(jù)稀疏性問題,本文采用KPCA的方法在降維的同時提高特征參數(shù)的區(qū)分性,在采用三個語種并行識別的情況下,能夠做到的等錯誤率為17.58％,如果和聲學參數(shù)以及韻律參數(shù)的系統(tǒng)進行融合,最終能夠取得6.1％的等錯誤率。
　　4、本文在傳統(tǒng)的聲學參數(shù)研究的基礎上,針對不太成熟的韻律參數(shù)、字詞搭配的關系進行了研究,從實驗的