基于通用背景−联合估计(UB-JE)的说话人识别方法
2018-11-01汪海彬郭剑毅毛存礼余正涛
汪海彬 郭剑毅 毛存礼 余正涛
语音是人们用来交流和沟通的最自然、最直接的方式之一,因此,语音是一种重要的生物特征.作为一种重要的身份鉴定技术,目前说话人识别[1−2]已广泛运用于国家安全、司法鉴定、电话银行及门禁安全等领域.与此同时,说话人识别仍有许多问题需要解决,例如信道多样化的识别、噪声对识别性能的影响等,这就涉及到对说话人识别算法的研究.
2000年左右,Reynolds等[3]提出的高斯混合模型–通用背景模型 (Gaussian mixture modeluniversal background model,GMM-UBM),以其特有的良好性能和灵活的模型结构,降低了说话人模型对训练集的依赖,迅速成为当时说话人识别领域的主流方法之一,推动了整个领域的发展[4−5].由GMM-UBM 的思想可知,在高斯混合函数的均值超向量(Gaussian mixture model supervector,GSV)中包含有说话人语句的所有信息.根据该思想,Kenny等[6−7]提出了联合因子分析方法(Joint factor analysis,JFA),认为说话人语句中包含说话人信息和信道信息两部分,因此,GSV又可被分解为说话人和信道两部分.Dehak[8]研究发现,在对JFA进行信道补偿时,信道空间存在掩盖和重叠问题,信道空间中不可避免地包含了一部分说话人的信息,即不能准确地对说话人与信道分别建模.在此基础上,Dehak等[9−11]提出了i-vector方法,该方法认为对GSV进行处理时不应该区分说话人和信道,而应该把它们看成一个整体,即总变化空间.但是,在总变化空间中存在信道失配问题,Dehak等[9]又提出了一些信道补偿技术:线性鉴别分析(Linear discriminant analysis,LDA)和类内协方差规整(Within class covariance normalization,WCCN)等.近几年来,基于i-vector方法的说话人识别模型……
