景维鹏，肖庆欣，罗 辉

（东北林业大学 信息与计算机工程学院，哈尔滨 150006）

0 引言

说话人识别（Speaker recognition）技术也被称为声纹识别技术，是指通过分析处理采集到的语音信号识别相关说话人的身份，是语音处理领域最重要的技术之一［1］。经过50 余年的研究，说话人识别技术得到了很大的发展，研究者们相继提出了联合因子分析（Joint Factor Analysis，JFA）［2］、说话人身份矢量（i-vector）［3］和基于深度学习的说话人识别［4］等技术。说话人识别流程的如图1 所示。

图1 说话人识别流程Fig.1 Flowchart of speaker recognition

基于i-vector 的说话人识别系统是目前最有效的技术之一，它采用总变化空间（Total Variability Space，TVS）对说话人信息进行全局差异建模，不严格区分说话人信息和信道信息，减少了对训练语料的限制，且计算简单、性能优秀。

概率线性判别分析（Probabilistic Linear Discriminant Analysis，PLDA）［5］模型具有优秀的特征表示能力，通常用于基于i-vector 的说话人识别系统中的分类任务。PLDA 在跨域特征分类任务上有不错的表现［6］，这取决于PLDA 假设本征音和本征信道满足高斯分布，但说话人特征分布存在很多非高斯行为，如果强行以高斯先验假设处理特征必然会损失特征中的说话人信息。目前，主要可以从特征端或判别模型端两个方面解决这一问题。在特征端，文献［7］中提出了特征长度归一化算法，该算法将空间Rd上的说话人特征通过高斯长度归一化到低维空间Sd-1上，通过多次迭代不断地对说话人特征进行高斯化规整，使得说话人特征分布不断趋向于高斯分布，取得了不错的效果。然而，只在特征级进行高斯变换操作，虽然减小了特征间单位尺度差异对模型的影响，但会在径向方向上破坏说话人类内特征结构，违背了PLDA 对类内分布的假设，使模型不能充分利用特征信息，影响模型性能。……