13、基于非线性特征的说话人识别技术解析

基于非线性特征的说话人识别技术解析

1. 引言

说话人识别是判断一个测试语音是否属于给定目标说话人的任务，而训练数据往往有限。传统上，说话人识别采用从语音中提取的低阶倒谱特征，并结合高斯混合模型（GMM）系统。虽然倒谱特征在语音处理中取得了成功，但经过判别式训练的特征可能更适合说话人识别问题。为了实现这一目标，研究人员利用多层感知器（MLP）对声学特征进行转换，以获得更适合说话人识别的特征。

2. 相关技术及实验背景

在说话人识别领域，有两种与本研究直接相关的工作，都涉及到判别式特征的开发。

• 语音判别特征 ：使用经过训练以区分音素的MLP生成的特征，已被证明可以提高自动语音识别（ASR）的性能。例如，Tandem/HATS - MLP特征通过MLP输出音素后验概率，结合了长期时间信息。
• 说话人判别特征 ：Heck和Konig等人利用MLP从MFCC中提取说话人判别特征，并将其用于GMM说话人识别系统。Morris和Wu等人也采用类似方法，发现增加训练说话人的数量可以提高说话人识别性能，但存在一定上限。

3. 实验方法

3.1 整体设置

• Tandem/HATS - GMM系统 ：输入为感知线性预测（PLP）系数帧和临界带能量帧，经过MLP处理后，对输出或隐藏激活值取对数，再进行降维或统计计算，最终用于GMM说话人识别系统。
• Speaker - SVM系统