基于GMMi—vector的說話人識別研究

王致垚

摘 要：語音識別技術(shù)飛速發(fā)展，在現(xiàn)實生活中扮演著越來越重要的角色，語音識別簡單來說就是讓計算機理解人的語音，它有兩大研究領(lǐng)域：語種識別和說話人識別。說話人識別是指計算機能夠識別出語音來自那個說話人，在身份驗證等眾多領(lǐng)域有很廣泛的應(yīng)用。本文著重探究哪種細(xì)微聲音對說話人識別的效果好，這些細(xì)微聲音有“嗯”“嘖嘖”“清嗓子”“清鼻子”等，最后進(jìn)行人機大戰(zhàn)，得出機器的準(zhǔn)確率普遍比較高的結(jié)論。

關(guān)鍵詞：語音識別;說話人識別;高斯混合模型;深度學(xué)習(xí)

中圖分類號：TP391 文獻(xiàn)標(biāo)志碼：A

0 前言

隨著移動互聯(lián)網(wǎng)的興起，手機APP的廣泛應(yīng)用以及移動電子商務(wù)的需求，人們對安全保密系統(tǒng)的要求也越來越高。除了傳統(tǒng)的密碼輸入方式外，基于生物特征的身份認(rèn)證（如指紋、虹膜、掌紋以及人臉等）成為目前最主要的研究方向。在這其中，語音信號是用于個人身份辨識和確認(rèn)的一種有效的生物特征，其技術(shù)在生物識別中占有重要地位。

語音信號處理是用數(shù)字信息技術(shù)處理語音，可以分為語音合成、語音識別、語音編程和說話人識別。說話人識別是指從語音信號中提取說話人的特征，并對說話人進(jìn)行識別的研究領(lǐng)域。說話人識別實際上是一個模型識別問題。而基于Kaldi的GMM i-vector說話人識別系統(tǒng)則是其中比較新穎的技術(shù)。本文探討的是利用i-vector說話人識別系統(tǒng)來處理一些比較特殊的問題。

1 說話人識別研究的目的及意義

信息輸入方式的變化，也是由于生物識別技術(shù)的發(fā)展。說話人識別技術(shù)能夠更加快捷便利的確定說話人的身份，能夠應(yīng)用于說話人核對，（例如語音類別身份證）電子設(shè)備，信息系統(tǒng)的安全工作，刑偵技術(shù)的人員追蹤，公安、軍事、機密的防護(hù)等眾多領(lǐng)域、將會在電腦、手機、汽車、電子鎖等電子產(chǎn)品上有眾多應(yīng)用

說話人識別也叫做聲紋識別，屬于生物識別技術(shù)的一種。相對于傳統(tǒng)認(rèn)證，具有安全、保密、不易偽裝、不會遺忘或丟失，方便等優(yōu)點。比起其他的生物識別技術(shù)，說話人識別更有廉價、簡潔輕便、應(yīng)用廣泛、易于操作和接受等優(yōu)點。

2 說話人識別發(fā)展概述

1876年貝爾（Bell）發(fā)明了電話。1952年Davis等人在貝爾實驗室研制出第一個10個英語字母的語音識別設(shè)備。1956年Cooley和Tukey提出了離散傅里葉變換的快速算法（FFT算法）。20世紀(jì)80年代，人們應(yīng)用非線性技術(shù)提出了梅爾頻率倒譜系數(shù)（MFCC），MFCC是最實用的語音特征參數(shù)。在20世紀(jì)90年代后期，高斯混合模型（GMM，在HMM的基礎(chǔ)上被提出）被應(yīng)用到了說話人識別，GMM成了現(xiàn)在說話人識別的基礎(chǔ)。21世紀(jì)后，人們在高斯混合模型的基礎(chǔ)上提出了高斯混合模型—通用背景模型（GMM—UBM），克服了外部環(huán)境的干擾。GMM—UBM成為目前說話人識別領(lǐng)域最為經(jīng)典的建模方法。

1997年，IBM 將ViaVoice應(yīng)用于商業(yè)。2011年iPhone手機上出現(xiàn)了Siri語音助手服務(wù)，語音識別技術(shù)在生活中普及開來。現(xiàn)在幾乎身邊的電子設(shè)備如手機、電腦、iPad都會具備語音識別功能。

3 說話人識別的研究方法

3.1 說話人識別的基本流程

說話人識別實際上是一個模型識別類型，其基本原理是將識別目標(biāo)說話人形成的特征模型與訓(xùn)練好的特征模型進(jìn)行匹配。根據(jù)匹配的距離或概率近似度來判斷說話者是訓(xùn)練模型中的哪個人（說話人辨認(rèn)），或是否是被申明的人（說話人確認(rèn)）。

3.1.1 預(yù)處理

預(yù)處理指令可以使輸入的語音信號在不同的執(zhí)行環(huán)境中方便被修改或翻譯。大致分為預(yù)加重、分幀加窗和端點檢測。

3.1.2 特征提取

特征提取是在音頻中提取能夠代表說話人語音特征的信息，消除無用的信息。從而有利于后續(xù)的特征比較，提取的特征能夠直接辨別說話人身份，充分體現(xiàn)不同語音間的差異。

3.1.3 訓(xùn)練過程：訓(xùn)練模型、模型參數(shù)儲存

根據(jù)提取的特征參數(shù)建立說話人的模型，建立訓(xùn)練過程的模型。建立模型的方法分為模板匹配法和概率統(tǒng)計模型法。并將模型進(jìn)行儲存，作為識別過程中的匹配模板。

3.1.4 測試過程：匹配得分，決策判斷

將待測試的語音文件的特征參量與已建立的模型庫進(jìn)行對比、匹配和識別，計算出來得分，查看相似性的最大值，根據(jù)相似性匹配說話人。

值得一提的是，如果被測試的音頻文件不屬于已知的說話人模型。（閉集情況）系統(tǒng)不能隨意抽取相似得分的最大值，因為這樣會將陌生說話人誤判為模型庫中的某一說話人。應(yīng)當(dāng)確定一個適當(dāng)大小的閾值，判斷測試語音是否屬于已經(jīng)建立模型的說話人。若測試得分低于閾值則系統(tǒng)判斷測試音頻不屬于任何一個說話人模型。

3.2 說話人識別的傳統(tǒng)方法

在提取特征之后，要進(jìn)行模型訓(xùn)練。在模型匹配方面，大體分為模板匹配法和概率統(tǒng)計模型法。

可是在實際應(yīng)用中，常常會受到周邊噪聲的干擾，對基于GMM的說話人識別系統(tǒng)要求便有所增加，因此要訓(xùn)練準(zhǔn)確的高斯混合模型需要很多語音數(shù)據(jù)，而每一個訓(xùn)練說話人的語音又不夠，因此UBM通用背景模型便被提出來了。在眾多語音數(shù)據(jù)中訓(xùn)練好一個和說話人特征無關(guān)的通用背景模型來模擬實際的外部環(huán)境，通過自適應(yīng)算法來得到目標(biāo)的說話人模型。

4 細(xì)微聲音識別實驗

4.1 實驗原理

說話人識別是一類典型的模式識別類型，包括說話人模型訓(xùn)練和測試語音打分判決兩個階段。

訓(xùn)練階段：對每個使用系統(tǒng)的說話人預(yù)留充足的語音;對預(yù)留語音提取聲學(xué)特征;根據(jù)提取的聲學(xué)特征訓(xùn)練得到說話人模型;將每個說話人模型存入說話人模型庫中。

測試階段：系統(tǒng)獲取待測試識別的語音;與訓(xùn)練階段相同，提取測試語音的聲學(xué)特征;將測試語音的聲學(xué)特征與說話人模型庫進(jìn)行比對，根據(jù)預(yù)先定義的相似性準(zhǔn)則，在說話人模型上進(jìn)行打分判別;最終得到測試語音的說話人身份。

本實驗基于Kaldi的GMM i-vector說話人識別系統(tǒng)主要由4個步驟組成：數(shù)據(jù)列表準(zhǔn)備（scp文件）、特征提取（MFCC提取特征及vad）、模型訓(xùn)練（UBM、T-matrix訓(xùn)練和i-vector提取）、打分判決（Cosine、LDA、PLDA），其流程如圖1所示。

4.2 實驗過程及結(jié)果分析

實驗測試中，首先采集了網(wǎng)站上20人的細(xì)微聲音判別記錄見表1，同一種細(xì)微聲音中，讓測試人員去聽該聲音是否是同一個人發(fā)出的，每個人聽3組同種細(xì)微聲音，最后提交表單，得到該20人的測試記錄錯誤率。由于網(wǎng)站上會對每個測試者選擇的音頻有記錄，然后將測試的音頻全部取出來，同種細(xì)微聲音的音頻放在一起，然后利用圖1所示的i-vector模型對細(xì)微聲音進(jìn)行判別，從而得出機器對該細(xì)微聲音的錯誤率，其結(jié)果見表2。

從實驗結(jié)果來看，4種細(xì)微聲音中，“嗯”的識別錯誤率最低，也就是“嗯”相對其他3種，其識別效果更好;另外從人機測試結(jié)果來看，細(xì)微聲音中對“嗯”“嘖嘖”“清嗓子”的識別準(zhǔn)確率，機器明顯優(yōu)于人類，然而對“清鼻子”的識別準(zhǔn)確率，人類優(yōu)于機器，由于不同測試者清鼻子變化多樣，人類可以根據(jù)語境及背景聲音是否一致來判斷是否為同一個人發(fā)出來的，而機器不可以這樣判斷，這個實驗結(jié)果也是在合理范圍內(nèi)的。

結(jié)語

說話人識別是語音識別的熱點之一。本文首先介紹了說話人識別研究的目的和意義以及發(fā)展概述。重點研究了基于Kaldi的GMM i-vector說話人識別系統(tǒng)，對說話人識別系統(tǒng)的工作過程及其工作原理進(jìn)行了深刻的闡述，并著重探究了4種細(xì)微聲音的識別，通過人機測試的對比，得出了機器的識別效果明顯比人類的識別正確率要高的結(jié)果。由于本實驗探討的是在特殊情況下的說話人識別（嗯、嘖嘖、清嗓子、清鼻子），因此探討了基于i-vector說話人識別系統(tǒng)在各種極端情況下的工作情況。或許以后說話人識別不再需要說出一大段文字，而是直接發(fā)出幾種聲音就可以實現(xiàn)識別。

參考文獻(xiàn)

[1]談建慧.基于深度學(xué)習(xí)的語音識別研究[D].廣西：桂林電子科技大學(xué)，2016.

[2]陳強.基于GMM的說話人識別系統(tǒng)研究與實現(xiàn)[D].湖北：武漢理工大學(xué)，2010.

[3]周利鋒.人工神經(jīng)網(wǎng)絡(luò)的概念[J].醫(yī)學(xué)信息（上旬刊），1998（11）：8-10.

[4]馬平.基于i-vector的穩(wěn)健說話人識別研究[D].新疆：新疆大學(xué)，2016.