◆南兆营

（中国刑事警察学院 辽宁 110854）

1 引言

说话人识别又称为声纹识别，是一种将某个语音样本与其他语音样本相比较，从而判断两者是否来自同一人的技术，研究基础是基于语音的个体差异性和短时不变性。说话人识别已经成为一种类似于指纹识别和人脸识别的新型身份认证方式[1]，被广泛应用于军事、司法以及银行、互联网金融等领域[2]。随着技术的不断进步，说话人识别方法也从早期的听觉检验、声纹图检验发展到现在的自动识别。自动说话人识别包括半自动说话人识别和全自动说话人识别，半自动说话人识别仍然需要人工提取语音特征，仍然依赖鉴定人的经验。由于语音特征提取方法众多，不同方法提取出的语音特征对识别效果的影响是不一致的。另外，语音特征建模难，语音的复杂性无法用一个简单的模型来表达；噪音也是影响说话人识别的关键因素，电脑无法分辨哪些声音是目标声音，也无法像人耳一样专注于目标声音。

深度学习的发展，使上述问题逐步得到解决。有实验表明，深度学习提取的语音特征分类效果要好于传统的MFCC、PLP 等特征[3]。相对于传统的说话人识别，基于深度学习的说话人识别具有以下优点：（1）深度学习强大的非线性表达和自动学习能力，使网络对数据有更好的识别效果，解决了人为无法用数学表达式对语音精确建模的问题。张涛涛等人利用深度网络的非线性特点提取语音特征，去除语音信号中信道和噪声的干扰，系统错误率低于传统的MFCC 特征[4]。……