杨明亮，龙 华，邵玉斌，杜庆治

(昆明理工大学 信息工程与自动化学院，昆明 650500)

0 引 言

利用声纹这一生物特征实现说话人的身份识别已成为身份认证的重要手段，目前这一技术已取得了一定成效并成功应用于国防安全、门禁安全、智能产品语音唤醒以及司法认证等领域。T. L. New等[1]提出利用隐马尔科夫模型(hidden Markov model，HMM)进行语音情感识别。R.C.Rose和D.A.Reynolds等又提出了高斯混合模型(Gaussian mixture model，GMM)，并由此延拓出相关的组合模型，如高斯混合深度神经网络模型[2](GMM-DNN)、高斯混合支持向量机模型[3](GMM-SVM)、通用背景高斯混合模型[4](GMM-UBM)等。再者，Dehak提出了i-vector说话人识别方法。

目前以GMM-UBM模型与i-vector模型为主流的说话人识别方法，D.A.Reynolds认为过去的说话人识别严重依赖于说话人的语音数据，希望通过训练大量无关说话人语音获得一个通用的说话人模型，再用少量的特定说话人语音数据对通用模型进行调整以得到说话人识别模型，即GMM-UBM。在GMM-UBM说话人识别模型中假定说话人的所有信息均存在于混合高斯函数的超矢量[5](Gaussian super vector，GSV))中。文献[6]提出了基于高斯均值超矢量的联合因子分析方法(joint factor analysis，JFA),认为均值超矢量中包含了说话差异和信道差异，故需要对说话人和信道进行分别建模从而去除信道干扰。然而Dehak认为信道因子中也会携带部分说话人的信息，在进行补偿的同时会损失一部分说话人信息，所以，Dehak[7]提出了全局差异空间模型(total variability model，TVM)，将说话人差异和信道差异作为一个整体进行建模，这种方法改善了JFA对训练语料的要求和计算复杂度高的问题。……