马姝颖 王平 陈妮 文荣 李思源

关键词：深度学习;声纹识别;技术

一、基于深度学习的声纹识别技术

声纹是指带有语音信息的声波频谱，是每个人说话过程中的语音特征和发音习惯的抽象特征，具有唯一性和稳定性。声纹识别技术（又称说话人识别技术）是指从说话人发出的语音信号中提取声纹信息，并据此对说话人进行身份验证的生物识别技术。近年来，随着深度学习广泛应用到目标检测、图像处理、自动驾驶等各个领域，深度学习的方法也逐步应用到声纹识别技术中，并取得了不俗的成效[1]。

声纹识别技术经常会与语音识别技术混淆，二者其实是两个不同概念。语音识别技术的任务是准确地识别出说话的内容（说的是什么），声纹识别技术的任務是确认说话人身份或者从某个已知的人群集合中辨认出那个说话人（是谁说的）。声纹识别技术的主要处理流程如图1所示，包括预处理、特征提取、声纹建模和相似度匹配。①预处理主要包括防混叠滤波、消除噪声、端点检测等。②提取声学特征参数是声纹识别的关键，通常将时域语音数据经过预加重、分帧、加窗、FFT等步骤转换为线性预测系数、LPC倒谱或梅尔倒谱等特征参数。③声纹建模包括声纹注册和声纹验证两个阶段：声纹注册阶段提取所有注册说话人语音中的声纹特征，为每个注册说话人建立说话人模型，将所有的说话人模型集合在一起组成说话人模型库;声纹验证阶段提取待验证说话人语音中的声纹特征，与说话人模型库进行相似度匹配，得分最高的作为最终的识别结果。……