51、语音分离与高分辨率视频目标检测技术研究

语音分离与高分辨率视频目标检测技术研究

1. 语音分离技术研究

在嘈杂和混响环境中进行说话人识别和语音识别是一项极具挑战性的任务。主要面临以下几个问题：
- 多声源干扰 ：多个说话人的声音、背景音乐以及各种噪声（包括稳态和非稳态噪声）都会对说话人识别和语音识别的性能产生影响。
- 信噪比限制 ：信噪比（SNR）一直是语音分离、语音识别和说话人识别中的关键限制因素。相关研究表明，在低信噪比（<10 dB）情况下，语音分离性能会急剧下降至 20%甚至更低。
- 混响影响 ：在封闭环境如机场候机厅中，混响效应会严重限制许多语音处理算法的性能。

为了解决这些问题，有以下几种可行的方法：
- 单声道方法 ：使用单个麦克风进行语音分离、说话人识别和语音识别。
- 麦克风阵列和双耳方法 ：利用麦克风阵列和双耳技术来抑制背景噪声并处理混响。
- 混合方法 ：结合单声道和麦克风阵列技术。

这里主要聚焦于使用阵列处理的空间语音分离方法，具体步骤如下：
1. 数据选择 ：使用 DARPA 资源管理连续语音语料库（RM1）进行算法测试。从说话人无关（SI）训练数据中选取 3200 个语音样本（目标说话人和干扰说话人各占一半）用于训练声学模型，从测试和评估数据中选取 1200 个语音样本（同样目标和干扰说话人各半）用于解码。
2. 系统选择