林 秀，范茂志

同濟大學(xué)軟件學(xué)院，上海 201804

基于噪聲環(huán)境下的說話人識別系統(tǒng)的研究

林 秀，范茂志

同濟大學(xué)軟件學(xué)院，上海 201804

對帶噪聲的語音信號采用消噪算法處理，并提取特征參數(shù)Mel倒譜系數(shù)來建立說話人的特征參數(shù)的混合高斯模型，構(gòu)建了一個基于噪聲環(huán)境的文本無關(guān)的說話人識別系統(tǒng)。本文詳細(xì)闡述了梅爾倒譜系數(shù)這一主流語音特征及高斯混合通用背景模型來建立說話人識別系統(tǒng)。實驗表明，增加混合高斯模型的維數(shù)可以增加系統(tǒng)的識別率。

說話人識別；梅爾倒譜系數(shù)；高斯混合-通用背景模型

0 引言

說話人識別指在提取代表個人身份的特征信息，最終識別出說話人。作為身份鑒定的一種方法，說話人識別具有使用簡單、獲取方便、使用者的接受程度高等優(yōu)點，但也存在許多值得研究的問題，如訓(xùn)練條件與測試條件不匹配。

說話人識別系統(tǒng)在訓(xùn)練條件與測試條件匹配的情況下，識別系統(tǒng)具有很好的性能。由于人體聲道特征，語音信道及通話環(huán)境等因素的干擾，使得說話人識別系統(tǒng)的準(zhǔn)確性顯著降低。在說話人識別系統(tǒng)中，有兩方面重要的影響因素：一方面，所選取的語音特征參數(shù)應(yīng)盡量突出說話人的個性特征，使得不同說話人可以在特征空間上盡量分離。另一方面，降低環(huán)境噪聲對說話人識別系統(tǒng)的干擾，是使訓(xùn)練條件與測試條件匹配的最好辦法。通常提高系統(tǒng)抗噪性能的方法有3種：1）前端處理，如自適應(yīng)噪聲抵消技術(shù)等[1]；2）提取具有魯棒性的特征參數(shù)[2]；3）后端處理，如歸一化補償變換[3]。

本系統(tǒng)的基本思路如下：首先，采用消噪算法對帶噪聲的語音信號進(jìn)行消噪。其次，提取說話人特征信息。提取梅爾倒譜系數(shù)作為說話人的特征信息，由這些特征信息來刻畫說話人特征矢量的超空間。最后，建立高斯混合-通用背景模型。通用背景模型的訓(xùn)練，自適應(yīng)算法生成說話人模型，計算似然度進(jìn)行得分測試及得分規(guī)整，完成辨認(rèn)說話人。

1 說話人識別算法框架

說話人識別系統(tǒng)以待測說話人的語音波形作為輸入，通過對波形的頻譜及特征參數(shù)的計算和提取，可以得到說話人區(qū)別于其他說話人人的生理和行為特征的聲學(xué)特征參數(shù)，來識別待測說話人身份。圖1為說話人識別系統(tǒng)的整體框架。

根據(jù)系統(tǒng)的整體框架，可以把系統(tǒng)分成由兩個主要組成模塊：基于Mel倒譜系數(shù)[5]（Mel-Frequency Cepstrum Coefficients, MFCC）說話人特征參數(shù)的提取模塊和基于背景模型[6]（Gaussian Mixture Model-Universal Background Model，GMM-UBM）的目標(biāo)說話人的判決模塊。

圖1 說話人識別系統(tǒng)

1.1 基于MFCC說話人特征的提取

本模塊的基本思路：首先，采用消噪算法對帶噪聲的語音信號進(jìn)行處理，得到較為純凈的語音。采用消噪算法的目的在于提高語音質(zhì)量，在消除背景噪音的同時使得語音信號更清晰準(zhǔn)確，提高語音信號的可懂度。其次，對消除噪聲之后的語音進(jìn)行特征提取，得到可以代表說話人特征信息的梅爾到普系數(shù)，即說話人的特征參數(shù)。

1.1.1 消噪算法

采用譜相減法對語音信號消除噪聲影響，圖2為譜相減法的結(jié)構(gòu)圖。

圖2 譜相減法

譜相減法的具體步驟如下所示：

1）確定語音信號的每幀的幀長，將語音信號進(jìn)行分幀；

2）計算各幀的能量值，確定噪音能量閾值。在能量小于閾值且能量等于閾值的時刻之前的時間段內(nèi)的能量認(rèn)為是該能量為噪音能量，該時間段的信號為噪音信號。從能量大于閾值的時刻起后面所有時間的信號認(rèn)為是帶噪聲語音信號；

3）對各幀語音信號進(jìn)行傅立葉變換，得到語音信號的頻譜信息；

4）根據(jù)所確定的噪聲信號信息，對帶噪聲語音信號進(jìn)行相位和頻譜能量的變換，得到增強后的語音頻譜圖；

5）根據(jù)傅立葉逆變換，得到增強后到語音信號。

1.1.2 MFCC特征參數(shù)提取

MFCC在人耳聽覺結(jié)構(gòu)和人類發(fā)聲和接受聲音等機理特性方面具有很好的魯棒性，并且在頻率域上可以較好的表達(dá)說話人的個性特征，具有較好的識別性能和抗噪聲能力。因為標(biāo)準(zhǔn)的MFCC僅僅表現(xiàn)了語音算數(shù)的靜態(tài)特征，而語音的動態(tài)特性更能滿足人耳對聲音敏感的特性，故本文采用的特征提取算法是在MFCC的基礎(chǔ)上再作一階差分（MFCC），二階差分（MFCC）這三部分構(gòu)成了特征矢量。它對消除語音信號的幀之間的相關(guān)性具有很好的效果，并且可以很好的逼近語音的動態(tài)特性，對提高系統(tǒng)的識別率有很大的作用。MFCC特征參數(shù)的提取過程如圖3所示：

圖3 特征提取

特征提取具體步驟如下：

1）預(yù)加重，減少尖銳噪聲的影響，提升高頻信號，x（n）為原信號，y（n）為預(yù)加重后信號；

2）加漢明窗，減少吉伯斯效應(yīng)。W（n）是窗函數(shù)，Sw（n）是加窗后信號：

3）對信號Sw（n）進(jìn)行DFT

4）把頻譜系數(shù)用三角濾波器進(jìn)行濾波處理，得到一組系數(shù)m1, m2,...,mM，M 為濾波器組個數(shù)。濾波器組中每一個三角濾波器的跨度在Mel標(biāo)度上是相等的。

5）計算每個濾波器組輸出的對數(shù)能量：

6）經(jīng)離散余弦變換（DCT）得到MFCC：

7）對MFCC再作一階差分、二階差分作為最終的特征矢量。

1.2 基于GMM-UBM模型目標(biāo)說話人的判決

1）注冊說話人階段：注冊語音在UBM模型上計算高斯?fàn)顟B(tài)占有率，得到統(tǒng)計量，在UBM的均值和方差中做一個類似插值的操作得到說話人模型參數(shù)。

具體步驟如下：

（1）語音特征矢量X = { x t，t = 1, 2, …，T }，設(shè)置最大迭代次數(shù)L以及每次迭代的改進(jìn)閾值作為迭代過程的終止條件；

（4）計算總畸變Dm：

（5）計算畸變的相對改變值：

（7）如果當(dāng)前誤差值小于門限值則跳轉(zhuǎn)到第（9）步，否則，跳到第（8）步；

（8）若m ＞ L，跳到第（9）步，否則，m = m +1，跳轉(zhuǎn)到第（3）步；

（9）迭代終止并計算：

其中，Nj是屬于第的點的個數(shù)；

2）測試階段：測試語音在UBM模型上計算高斯的似然度，并計算在待測說話人模型上對應(yīng)的高斯似然度，將兩個似然度相減則為最后的得分。具體步驟如下：

（1）首先對通用背景模型（UBM）中每個高斯計算似然度得分，并對每一幀選出得分最高的C個高斯模型。

（2）計算說話人模型得分，每一幀只需要計算對應(yīng)于UBM的C個高斯模型的得分即可。

（3）計算最終的測試得分為說話人模型和通用背景模型兩者之差。

3）得分規(guī)整[7]階段：由于同一說話人在不同的說話狀態(tài)、語義信息、環(huán)境噪音等因素的影響，說話人在不同狀態(tài)下的語音信息和特征信息會有所不同，導(dǎo)致同一說話人在兩次說話中出現(xiàn)差異，在系統(tǒng)上表現(xiàn)為得分不同。不同說話人在某些相同的環(huán)境下會有一定的相似性。

通過得分規(guī)整技術(shù)對說話人識別的高斯似然度進(jìn)行歸一化運算，使在不同說話人模型下的輸出得分規(guī)整到同一分布范圍。得分規(guī)則可以有效地減小同一說話人的不一致性，擴大不同說話人的不一致性。本文主要討論對最后得分ZNORM[7-8]、TNORM[9]及ZTNORM這三種方式規(guī)整技術(shù)。ZNORM（Zero Normalization）的原理是利用大量冒認(rèn)者語句對目標(biāo)說話人模型進(jìn)行測試，再利用輸出得分統(tǒng)計出目標(biāo)說話人模型的輔助參數(shù)。TNORM（Test Normalization）的原理是計算大量冒認(rèn)者模型對待測語句的得分，從而得到待測語句在冒認(rèn)者模型上的相關(guān)參數(shù)，TNORM是一種在線處理的規(guī)則方法。其缺點是當(dāng)冒認(rèn)者模型較多時，計算量較大，比較耗費時間。

2 實驗分析及結(jié)果

本實驗采用的語音數(shù)據(jù)的格式是16kHz，8位精度，wav 文件格式，語音時長為5min。設(shè)置12個實驗，對不同的高斯維數(shù)（256、512、1024、2048）及得分規(guī)則（ZNORM、TNORM、TZNORM），得到不同的等錯誤率。

表 1

由表1中的12個實驗數(shù)據(jù)可以看出，2048個高斯模型，TNORM和ZNORM的混合得分規(guī)整這個實驗參數(shù)是等錯誤率（EER）最小，在12個實驗中識別效果最好。對不同的高斯維數(shù)及得分規(guī)則，說話人識別系統(tǒng)的等錯誤率（EER）有不同，整體趨勢是高斯維數(shù)越大，等錯誤率EER越小，識別效果越好?；旌系梅忠?guī)整具有較好的效果，EER較低。

3 結(jié)論

增高通用背景高斯混合模型的維數(shù)可以較為準(zhǔn)確地對說話人的特征信息即MFCC進(jìn)行建模，很好的描述說話人的特征信息，并使得系統(tǒng)獲得較好的系統(tǒng)識別率。

[1]TADJ C, GABREA M, GARGOUR C, et al.Towards robustness speaker verification: enhancement and adaptation[C]//Proceeding of the 45th Midwest Symposium on Circuit and System.New York: IEEE, 2002：320-323.

[2]ZHEN Y X, ZHENG T F, WU W H.Weighting observation[C]//Proceedings of International Conference on Spoken Language Processing.Jeju Island, Korean: ISCA,2004: 819-822.

[3]包永強，趙力，鄒采榮.采用歸一化補償變換的與文本無關(guān)的說話人識別[J].聲學(xué)學(xué)報，2006，31(1)：55-60.

[4]D.A.Reynolds and R.C.Rose.”Robust textindependent speaker identification using Gaussian mixture speaker models”IEEE Trans.on Speech and Audio Processing，1995，3.

[5]Steve Young，The HTK Book.Ver 3.0, July 2000.http://svr-www.eng.cam.ac.uk.

[6]D.A.Reynolds.”Speaker identification and verification using Gaussian mixture speaker models”Speech Communication, 1995,17:91-108.

[7]Frederic Bimbot, Jean-Francois Bonastre, A Tutorial on Text-Independent Speaker Verification[J].EURASIP Journal on Applied Signal Processing，2004，4：430-451.

A Study on the Textindependent Speaker Recognition System under Noisy Condition

LIN Xiu，F(xiàn)AN Mao-zhi
School of Software Engineering, Tongji University,Shanghai 201804

TP391.42

A

1674-6708（2011）53-0182-03

林秀，碩士研究生，研究方向：說話人識別

范茂志，碩士，研究方向：人工智能、人臉識別、嵌入式Linux