说话人识别
李梦超
3
月
20
日
1.
基本原理
说话人识别系统框图
分为训练阶段和识别阶段
在训练阶段，系统对说话人的每段语音进行训练，得到每个说话人的模型参量的参考集。
在识别阶段，系统对待识别说话人语音处理，得到其模型参量，然后与训练时候得到的参考集加以比较，并根据一定的相似性准则进行判断。
2.
预处理
采样量化
预加重，通过一个一阶高通滤波器来作预加重以凸显高频部分，其传递函数为：
，一般
a
的取值
左右。
分帧，一般取
256
点为一帧（
32ms
）帧与帧之间重叠
128
个点，这样来避免帧与帧之间的特性变化过于剧烈。
加窗，针对每帧乘以汉明窗以消除帧两端的不连续性，避免分析时受到前后帧的影响。
让每帧通过低通滤波器，可以去除异常高起的噪声。
3.
特征提取
特征提取方法一般有：
线性预测系数（
LPC
）
LPC
倒谱系数（
LPCC
）
线谱对参数（
LSP
）
共振峰率（前三个共振峰）
短时谱
Mel
频率倒谱系数（
MFCC
）
感知线性预测（
PLP
）
线性预测系数（
LPC
）
可以将语音信号
x(n)
看作由一个输入序列
u(n)
激励一个全极点的系统
H(z)
而产生的输出。
模型化为：
系统的传递函数为： （
AR
模型）
定义
p
阶线性测器
F(z):
预测值
:
由于
AR
模型是在最小均方意义上对数据的拟
合，线性预测器
F(z)
一定是一个最佳预测器。
此时，预测器的预测误差短时总能量最小。
预测器的误差
e(n):
定义短时预测均方误差为：
要使
En
最小，必须让
{
ai
}
满足 ：
若定义 可得：
可以得到
p
元一次方程组，可以解得
{
ai
}
。
LPC
参数是反映语音信号特征的良好参数。
现在主要对
LPC
的计算方法有：
·Levinson-Durbin
算法
·
协方差法
倒谱系数（
LPCC
）
LPCC
是一个比较重要的特征参数，它能够比
较彻底地去除语音产生过程中的激励信息，
能较好的描述语音信号的共振峰特性。
用 做反傅里叶变换求出
LPC
倒谱系数。
在实际计算中，
LPCC
不是直接计算得到的，
是有
LPC
求得的。
LPCC
系数
c(n)
与
LPC
系数
ai
的递推关系为：
频率倒谱系数（
MFCC
）
Mel
频率表达了一种常用的从语音频率到“感
知频率”的对应关系，
MFCC ( Mel
频标倒谱
系数
)
参数是将人耳的听觉感知特性和语音的
产生的机理相结合，是目前大多数语音识别
中广泛使用的特征参数。
MFCC
和线性频率转换关系如下所示：
MFCC
参数提取流程图如下：
(1)
语音信号经过预加重、加窗分帧处理后变
为短时信号，将时域信号做离散傅里叶变换。
( 2)
求出频谱平方，即能量谱，并通过
Mel
频
率滤波器组滤波处理，得到一组系数 ，
通过对数能量的处理得到对数频谱。
(3)
将上述对数频谱经过离散余弦变换
( DCT)
得到
N
个
Mel
频率倒谱系数。
MFCC
系数为：
4.
说话人识别模型
目前说话人识别技术主流方法大致有：
1
）基于模版模型的方法；
2
）基于概率模型的方法；
3
）基于人工神经网络（
ANN
）的方法；
4
）基于支持向量（
SVM
）的方法。
基于模版模型的方法包括动态时间规正法（
DTW
）和矢量量化法（
VQ
）。
基于概率模型的方法包括隐马尔可夫模型（
HMM
）和高斯混合模型（
GMM
）。
高斯混合模型（
GMM
）
GMM
可以对任意的语音特征分布进行精确的描述，具有快速训练算法，良好的识别性能，被认为是当前较好的说话人识别模型
GMM
是
M
个高斯概率密度的加权和，说话人特征分布并非严格服从某一个特征分布，但是任何分布都可以由高斯分布的加权和来逼近。
高斯混合概率模型表示为：
其中
x
是语音
K
维的特征向量， 是加权系数，
并且： 。
是具有均值矢量 和协方差
矩阵 的高斯概率密度函数。
所以
GMM
的参数是由加权系数，均值矢量，
协方差矩阵来表示成的：
的训练
对于一个长度为
T
的训练语音特征
,
它的
GMM
似然概率表示为：
用
EM
算法来估计
GMM
的参数。
式
1
式
2
式
3
式
4
式
5
这是新估计的
GMM
参数。
EM
算法流程图：
的识别
在识别阶段，假设测试语音特征 ，
识别结果为第
n
个人的后验概率
:
识别结果由最大后验概率给出：
一般情况下，每个人说话的先验概率设为相
等
,
此外，对于每个说话人，
P(X)
都相等。
为了简化计算，采用对数似然函数：
判决结果为：
