（杭州电子科技大学，浙江 杭州310018）

基于CNN的连续语音说话人声纹识别

吴震东，潘树诚，章坚武

（杭州电子科技大学，浙江 杭州310018）

近年来，随着社会生活水平的不断提高，人们对机器智能人声识别的要求越来越高。高斯混合—隐马尔可夫模型（Gaussian of mixture-hidden Markov model,GMM-HMM）是说话人识别研究领域中最重要的模型。由于该模型对大语音数据的建模能力不是很好，对噪声的顽健性也比较差，模型的发展遇到了瓶颈。为了解决该问题，研究者开始关注深度学习技术。引入了CNN深度学习模型研究连续语音说话人识别问题，并提出了CNN连续说话人识别（continuous speaker recognition of convolutional neural network,CSR-CNN）算法。模型提取固定长度、符合语序的语音片段，形成时间线上的有序语谱图，通过CNN提取特征序列，经过奖惩函数对特征序列组合进行连续测量。实验结果表明，CSR-CNN算法在连续—片段说话人识别领域取得了比GMM-HMM更好的识别效果。

连续语音；语谱图；GMM-HMM；深度学习

1 引言

随着移动互联网、物联网等技术的高速发展，实现人与电子产品之间的自由交互越来越受到人们的重视。声纹识别技术在实现这一目标中扮演着非常重要的角色。语音识别技术正在走向实用。苹果公司于2011年收购了Siri公司，并在 iPhone 4上应用了语音识别功能，但当时识别体验不理想。2013-2015年，苹果公司相继收购了拥有识别整个短语的语音识别技术的Novauris公司和英国语音技术初创公司VocalIQ。与此同时，谷歌在2011年收购了语音通信公司 Say Now和语音合成公司 Phonetic Arts，2015年入资中国以导航为主的问问公司，并推出带有语音识别技术的智能手表。……