39、用于移动环境的基于 LSF 时间分解的说话人识别

用于移动环境的基于 LSF 时间分解的说话人识别

1. 引言

随着移动和 IP 网络在通信设备中的快速普及，人们对移动和经济通信的需求日益增长。无线移动网络让人们无论身处何地都能相互联系，数字语音数据包的传输也使得物理链路的共享更加高效。这种增强的通信环境催生了对语音应用（如说话人识别）的新需求。

然而，当前的移动或 IP 网络存在一些特点，给传统语音处理方法带来了挑战：
- 语音压缩 ：为了提高信道效率，语音信号通常会被数字压缩，常用的是码激励线性预测（CELP）编码器。传统语音处理应用需要先对这些压缩数据包进行解压缩，才能提取所需的特征向量。
- 信道错误 ：信道错误可能导致数据包丢失，这意味着解压缩后的语音信号提取的特征向量可能与原始输入语音的特征向量存在严重失真。
- 参数冗余 ：压缩数据包本身包含语音生成模型的参数，如线性预测倒谱系数（LPC）或线谱频率（LSF）参数。因此，解压缩并分析解压缩后的信号以获取频谱参数的过程可能效率低下且冗余。

此外，将语音应用移植到手机上时，可能会面临 CPU 功率和内存不足的问题，这是在移动嵌入式系统中实现语音应用的主要障碍。因此，需要一种方法来降低特征提取的速率，以适应移动嵌入式系统环境。

在这项研究中，我们旨在寻找并测试一种适用于移动或 IP 网络环境的高效语音处理特征集。我们选择说话人识别任务作为典型的语音处理应用，希望研究结果能应用于其他语音处理应用，如语音识别。

2. 受限时间分解（RTD）的 LSF 参数

在语音编码领域