王金芳，虢 明，聶新禮

(吉林大學(xué)通信工程學(xué)院，長(zhǎng)春130012)

說話人識(shí)別是一種利用語音識(shí)別人身份的技術(shù)，處理過程分為訓(xùn)練和測(cè)試。訓(xùn)練是指從語音中提取出能表征說話人個(gè)性的特征并建立模型的過程，測(cè)試是指將待測(cè)試語音與已建立的模型匹配以判斷此說話人身份的過程。說話人識(shí)別分為說話人鑒定和說話人確認(rèn)。由于相位卷繞(Wrapping)等問題［1－3］，目前大多數(shù)特征的提取都是利用語音的幅度信息，很少顧及相位。最近可懂度測(cè)評(píng)實(shí)驗(yàn)［4］表明了語音相位的重要性，在合理選擇幀長(zhǎng)(100～1000 ms)的條件下，短時(shí)相位譜對(duì)人類感知有不可忽視的作用［5－8］，且在相位分析方面矩形窗明顯優(yōu)于其他窗函數(shù)［8－10］。分別對(duì)短時(shí)相位譜取時(shí)間、頻率微分得到兩種常用參數(shù)，瞬時(shí)頻率［11－12］和群時(shí)延［13］。無論何種參數(shù)，幀長(zhǎng)和幀移的選取極大地影響語音信號(hào)短時(shí)相位譜。McCowan等［14］提出從相鄰幀間相位譜差中提取特征，指出幀長(zhǎng)和幀移參數(shù)的設(shè)置需在相位突變檢測(cè)能力和相位噪聲兩方面進(jìn)行折中考慮，但其參數(shù)設(shè)定僅依靠經(jīng)驗(yàn)分析。

利用互信息理論［15］選擇說話人識(shí)別特征，已進(jìn)行了一定的研究［16－17］，在此基礎(chǔ)上，本文提出利用短時(shí)幅度譜和Mel頻率Delta相位倒譜系數(shù)(Mel－Frequency Delta－Phase Cepstral Coefficients，MFDPs)間互信息確定幀長(zhǎng)和幀移的方法。這里雖以MFDP特征為例，但同樣適用于其他基于短時(shí)相位譜的特征提取，仿真實(shí)驗(yàn)驗(yàn)證了其可靠性。

1 Mel頻率幀間差分相位倒譜系數(shù)

語音信號(hào)為s(n)，其短時(shí)離散傅里葉變換定義為

式中:m是幀索引;w(n)表示長(zhǎng)為的窗函數(shù);D指幀移(滿足D≤T)。與幅度不同的是，窗函數(shù)對(duì)相位有影響，并且同一語音信號(hào)各幀間無共同時(shí)間參考點(diǎn)，解決方法是對(duì)短時(shí)相位譜進(jìn)行補(bǔ)償。定義幀間差分相位譜

以幀間差分相位譜的絕對(duì)值|ΔΨm(k)|代替幅度譜按照Mel頻率倒譜處理方法提取MFDP特征，其性能僅略低于基于幅度譜的MFCC特征［14］。

2 相位譜參數(shù)確定

2.1 互信息

離散隨機(jī)變量的信息熵H(X)定義為

式中:p(xi)=p{X=xi}表示隨機(jī)變量X取值為xi的概率。

在隨機(jī)變量Y條件下X的平均條件熵定義為

兩個(gè)隨機(jī)變量X、Y所構(gòu)成的信息集合間的相關(guān)性可用互信息來衡量，定義為

互信息具有非負(fù)性MI(X;Y)≥0，對(duì)稱性MI(X;Y)=MI(Y;X)和有界性MI(X;Y)≤H(X) +H(Y)。

2.2 幀長(zhǎng)和幀移選擇

為度量說話人自身與語音特征間的相關(guān)性，文獻(xiàn)［16］將聲學(xué)空間到特征空間映射過程捕獲的信息量用互信息表示，當(dāng)互信息量達(dá)到最大時(shí)，識(shí)別錯(cuò)誤率最低。

離散瞬時(shí)頻率是對(duì)相鄰時(shí)刻點(diǎn)之間的相位作差，而幀間差分相位是對(duì)相鄰幀相位作差，幀移可以不是一個(gè)采樣點(diǎn)，因此可以看作是瞬時(shí)頻率基礎(chǔ)上的延展。幀移增大，相位變化的分布范圍展寬，導(dǎo)致檢測(cè)相位突變的能力提高，但同時(shí)在遠(yuǎn)端FFT頻率間隔內(nèi)引入相位噪聲。最優(yōu)的幀移與幀長(zhǎng)比(D/T)在增大相位檢測(cè)突變能力和抑制噪聲之間達(dá)到平衡。依據(jù)互信息理論確定最優(yōu)幀長(zhǎng)和幀移的準(zhǔn)則函數(shù)可定義為

式中:X是傅里葉變換幅度譜(Fourier Transform Magnitude Spectrum，F(xiàn)TMS)，作為參考譜表征說話人聲學(xué)空間，Y表示MFDP特征。圖1為基于互信息準(zhǔn)則的參數(shù)選擇算法框圖。

圖1 基于互信息準(zhǔn)則的參數(shù)選擇算法框圖Fig.1 Parameter selection scheme based on mutual information criterion

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)選用的語料庫為TIMIT庫，是語音信號(hào)處理的標(biāo)準(zhǔn)語料庫，共有630個(gè)說話人，語音為16 kHz采樣、16 bits量化。從庫中選取114位參錄者的語音用于實(shí)驗(yàn)，每人10條，每條語音長(zhǎng)約3 s。其中9條語音串接起來用于訓(xùn)練，1條用于測(cè)試。設(shè)計(jì)實(shí)驗(yàn)與文獻(xiàn)［14］中參數(shù)設(shè)置實(shí)施對(duì)照，使用矩形窗T=4096，D=160，Mel濾波器數(shù)量取24，模型選用高斯混合模型，共進(jìn)行如下3組實(shí)驗(yàn)。

實(shí)驗(yàn)1 確定高斯混合度。圖2給出特征維數(shù)取12時(shí)，混合度為4～48的5次說話人識(shí)別實(shí)驗(yàn)結(jié)果。當(dāng)混合度為12～24時(shí)，系統(tǒng)平均識(shí)別正確率最大，獲得相對(duì)最好的性能。綜合考慮計(jì)算代價(jià)和準(zhǔn)確率，混合度選定為16。

圖2 不同混合度的說話人識(shí)別性能Fig.2 Speaker recognition performance of differentmixtures

實(shí)驗(yàn)2 分析所提出算法的性能，并確定最優(yōu)參數(shù)。實(shí)驗(yàn)采用矩形窗，T分別取2048、4096、8192，并且20＜D＜T，Mel濾波器數(shù)量為24，特征維數(shù)為22。圖3是某說話人的互信息與D/T關(guān)系曲線。實(shí)驗(yàn)結(jié)果表明，隨著T增加，互信息曲線逐漸呈現(xiàn)單峰性。由不同T的曲線形態(tài)可知，改變幀長(zhǎng)導(dǎo)致基于相位譜的MFDP特征對(duì)說話人表征能力存在差別。經(jīng)統(tǒng)計(jì)發(fā)現(xiàn)，T不小于2048點(diǎn)時(shí)，最優(yōu)D/T都介于0到0.1之間，且隨T增加，最優(yōu)D/T呈現(xiàn)減小趨勢(shì)。圖3(c)較之于圖3(b)，當(dāng)D/T大于0.4時(shí)，曲線出現(xiàn)“階梯性”，變得不平滑。因此，綜合考慮性能和運(yùn)算代價(jià)，最優(yōu)幀長(zhǎng)確定為4096。圖4給出基于最大互信息準(zhǔn)則的不同幀長(zhǎng)的最優(yōu)D分布曲線，最優(yōu)D取值如表1所示。

圖3 某說話人不同T的互信息與D/T關(guān)系Fig.3 Relation between M I and D/T for some speaker w ith different T s

圖4 不同T下最優(yōu)D的分布Fig.4 Distribution of optimal D w ith different T s

表1 不同T下的最優(yōu)D取值Table 1 Optimal D w ith different T s

實(shí)驗(yàn)3 在說話人識(shí)別系統(tǒng)上檢驗(yàn)上述幀長(zhǎng)和幀移參數(shù)的有效性。下面給出以干凈語音訓(xùn)練說話人模型，分別用干凈和帶噪語音進(jìn)行測(cè)試的結(jié)果。

實(shí)驗(yàn)按圖4(b)改變最優(yōu)D，5次干凈語音測(cè)試結(jié)果如圖5所示，其中D取值20～160，平均識(shí)別率總體趨勢(shì)先增大后降低，D=60處識(shí)別率達(dá)到峰值，其變化趨勢(shì)與圖4(b)中最優(yōu)D分布曲線相吻合。最優(yōu)D的其他取值識(shí)別結(jié)果明顯優(yōu)于作為對(duì)照D=160的情況。實(shí)驗(yàn)驗(yàn)證了所提出算法的準(zhǔn)確性和可靠性，同時(shí)說明通過經(jīng)驗(yàn)分析得到的參數(shù)存在缺陷。

圖5 不同D下以干凈語音測(cè)試的識(shí)別性能Fig.5 Test performance of clean speech w ith different D s

將干凈語音按5～40 dB疊加高斯白噪聲生成帶噪語音進(jìn)行測(cè)試，D取60的識(shí)別性能如圖6所示。40 dB帶噪語音與干凈語音對(duì)系統(tǒng)的測(cè)試結(jié)果接近。識(shí)別性能隨信噪比降低而急劇惡化。由此可見，訓(xùn)練和測(cè)試條件不匹配導(dǎo)致MFDP特征對(duì)說話人個(gè)性表征能力減弱。

圖6 D=60用帶噪語音測(cè)試的識(shí)別性能Fig.6 Test performance of noisy speech w ith D=60

4 結(jié)束語

本文提出一種利用最大互信息準(zhǔn)則確定幀間差分相位譜幀長(zhǎng)和幀移的參數(shù)設(shè)置方法。首先依據(jù)相位信息提取特征矢量集，然后計(jì)算此特征矢量集與幅度譜的互信息，按照最大化互信息準(zhǔn)則確定幀長(zhǎng)和幀移。實(shí)驗(yàn)結(jié)果表明，本文方法較經(jīng)驗(yàn)分析方法更準(zhǔn)確，有效彌補(bǔ)后者的缺陷，而且本文方法的有效性和正確性得以充分驗(yàn)證。由實(shí)驗(yàn)過程發(fā)現(xiàn)，訓(xùn)練和測(cè)試條件不匹配對(duì)系統(tǒng)識(shí)別率產(chǎn)生極大影響，這將是下一步需要著重解決的主要問題。

［1］Al－Nashi H.Phase unwrapping of digital signals［J］. IEEE Transactions on Acoustics，Speech and Signal Processing，1989，37(11):1693－1702.

［2］Murthy H A，Madhu Murthy K V，Yegnanarayana B. Formant extraction from phase using weighted group delay function［J］.Electronics Letters，1989，25(23): 1609－1611.

［3］Yegnanarayana B，Murthy H A.Significance of group delay functions in spectrum estimation［J］.IEEE Transactions on Signal Processing，1992，40(9):2281－2289.

［4］Alsteris L D，Paliwal K K.Further intelligibility results from human listening tests using the short－time phase spectrum［J］.Speech Communication，2006，48(6): 727－736.

［5］Liu L，He J，Palm G.Effects of phase on the perception of intervocalic stop consonants［J］.Speech Communication，1997，22(4):403－417.

［6］Oppenheim A V，Lim JS.The importance of phase in signals［J］.Proceedings of the IEEE，1981，69(5): 529－541.

［7］Schroeder M R.Models of hearing［J］.Proceedings of the IEEE，1975，63(9):1332－1350.

［8］Alsteris L D，Paliwal K K.Short－time phase spectrum in speech processing:A review and some experimental results［J］.Digital Signal Processing，2007，17(3):578－616.

［9］Reddy N，Swamy M.Derivative of phase spectrum of truncated autoregressive signals［J］.IEEE Transactions on Circuits and Systems，1985，32(6):616－618.

［10］Alsteris L D，Paliwal K K.Importance of window shape for phase－only reconstruction of speech［C］∥ in Proc. IEEE International Conference on Acoustics，Speech，and Signal Processing(ICASSP '04)，Montreal，Quebec，Canada，2004:573－576.

［11］Wang Y，Hansen J，Allu GK，etal.Average instantaneous frequency (AIF)and average log－envelopes (ALE)for ASR with the Aurora 2 database［C］∥ in Proc.Interspeech 2003，Geneva，Switzerland，2003:25－28.

［12］Stark A P，Paliwal K K.Speech analysis using instantaneous frequency deviation［C］∥in Proc.Interspeech 2008，Brisbance，Australia，2008:2602－2605.

［13］Murthy H A，Gadde V.Themodified group delay function and its application to phoneme recognition［C］∥in Proc.IEEE International Conference on Acoustics，Speech，and Signal Processing(ICASSP'03)，Hong Kong，China，2003:68－71.

［14］McCowan I，Dean D，McLaren M，et al.The deltaphase spectrum with application to voice activity detection and speaker recognition［J］.IEEE Transactions on Audio，Speech，and Language Processing，2011，19(7): 2026－2038.

［15］McEliece R J.信息論與編碼理論(第二版)［M］:北京:電子工業(yè)出版社，2003.

［16］Eriksson T，Kim S，Hong－Goo K，et al.An informationtheoretic perspective on feature selection in speaker recognition［J］.IEEE Signal Processing Letters，2005，12 (7):500－503.

［17］Rajan P，Hegde R M，Murthy H A.Dynamic selection ofmagnitude and phase based acoustic feature streams for speaker verification［C］∥in Proc.European Signal Process.Conf.，Glasgow，Scotland，2009:1244－1248.