雷 磊 佘 堃

(电子科技大学信息与软件工程学院 成都 610054)

(worldDrifter@163.com)

说话人识别技术是一种使用说话人语音样本识别说话人身份的技术.该技术被广泛应用在身份认证系统中.为了提高识别准确性,文本相关的说话人识别模型被广泛运用到访问控制系统中,比如电话银行、声纹锁等.在传统的文本相关的识别模型中,训练语音和测试语音的内容(文本)相同且固定.由于训练语音内容通常公开,所以攻击者就可以通过合成语音的方式模仿用户而获取访问权限.换句话说,传统文本相关的说话人识别模型无法有效防止合成语音攻击.另外,外部噪音也会使得说话人模型性能下降.因此,找到一种能够防止合成语音攻击且对噪音不敏感的说话人识别模型是非常必要的.

说话人识别模型通常分为2个模块:特征提取和说话人分类.在特征提取模块中,语音样本被转化为语音特征(也被特征向量).这些特征中包含了仅和说话人相关而和语音内容无关的信息[1].在说话人分类模块中,一个学习算法对特征中的信息进行归纳并建立说话人模型.当识别未知语音时,说话人模型就和未知语音进行匹配而识别出未知说话人的身份.

目前最常用的一种语音特征是短时 谱特征向量(本文简称为短向量).它使用一组低维度向量表征说话人信息.获取短向量的传统方法是Mel倒谱系数算法(MFCC).该算法使用离散傅里叶变换(DFT)[2]对语音信号进行谱分析.但是……