尹 聰，白 靜

（太原理工大學(xué) 信息工程學(xué)院 山西 太原 030024）

0 引言

說話人識別主要包含兩個階段，特征提取和模式識別.特征提取的過程，實(shí)際上是去除原來語音中的冗余信息，減小數(shù)據(jù)量的過程［1］.因此，如何提取能夠充分表征說話人個性信息的特征參數(shù)一直是說話人識別面臨的最大問題之一.

說話人識別系統(tǒng)常用的特征參數(shù)有：LPC，LPCC及MFCC 等，但這些參數(shù)的應(yīng)用都受到各種因素的制約，如說話人周圍環(huán)境中噪音的干擾，以及說話人情緒、健康狀況等自身因素的影響.此外，隨著時間和年齡的變化，這些特征參數(shù)也會隨之發(fā)生變化，從而影響說話人識別系統(tǒng)的穩(wěn)定性.近幾年，有學(xué)者提出將感知對數(shù)面積比系數(shù)（Perceptual Log Area Ratio，PLAR）［2-3］特征參數(shù)應(yīng)用于說話人識別系統(tǒng)，該特征從人類聽覺感知機(jī)理出發(fā)，運(yùn)用聽覺心理學(xué)概念表征說話人的個性特征，具有維數(shù)低，運(yùn)算速率快，抗噪性能強(qiáng)等特點(diǎn)，是一種穩(wěn)健的特征參數(shù).在噪音環(huán)境下，其說話人辨認(rèn)系統(tǒng)的性能明顯優(yōu)于傳統(tǒng)特征參數(shù)MFCC的系統(tǒng)；但在說話人確認(rèn)系統(tǒng)中，其系統(tǒng)性能卻隨著信噪比的增大而急速下降.因?yàn)樵谠撎卣鞯奶崛≈校捎霉潭ù暗亩虝r傅里葉變換（Discrete Fourier Transform，DFT）對語音信號進(jìn)行預(yù)處理，獲得信號的頻譜信息，這種短時加窗處理的頻譜估計(jì)方法導(dǎo)致了計(jì)算誤差的產(chǎn)生［4］，雖然PLAR 參數(shù)在純凈語音環(huán)境下具有較好的識別性能，但在噪音的干擾下，說話人確認(rèn)系統(tǒng)的性能卻急劇下降.T.Kinnunen［5］等人提出具有魯棒性的多窗頻譜估計(jì)（Multitaper Spectrum Estimate，MSE）.多窗頻譜估計(jì)（Multitapering［6-8］）通過采用多個窗函數(shù)對語音信號進(jìn)行頻譜分析，將各個獨(dú)立的子頻譜估計(jì)進(jìn)行加權(quán)平均，作為該語音信號最終的頻譜估計(jì).

本文著眼于特征提取中的前端處理，提出一種基于Multitapering的PLAR 特征提取方法，改進(jìn)了PLAR 提取過程中對語音信號的預(yù)處理，通過Multitapering獲得語音信號的頻譜估計(jì).由于該方法對信號的頻譜估計(jì)方差更小，減小了噪音對信號頻譜的影響，因此通過該頻譜估計(jì)方法獲得的頻譜分析可以更好地反應(yīng)說話人的聲道結(jié)構(gòu)，繼而可以獲得更加穩(wěn)定的特征參數(shù)，簡稱MTPLAR.實(shí)驗(yàn)結(jié)果表明：與傳統(tǒng)的DFT 相比，該頻譜估計(jì)法對信號的頻譜分析更加準(zhǔn)確，在噪音環(huán)境下，基于新特征參數(shù)的系統(tǒng)性能比PLAR的系統(tǒng)有明顯的提高.

圖1 Multitapering的實(shí)現(xiàn)框圖Fig.1 Flow diagram of Multitapering

1 多窗頻譜估計(jì)

多窗頻譜估計(jì)采用具有不同權(quán)值的多個窗函數(shù)，用頻域的平均值來獲得信號的頻譜估計(jì)，該方法是對傳統(tǒng)加權(quán)的DFT 的一種擴(kuò)展.多窗頻譜估計(jì)法曾被用在語音增強(qiáng)方面［9］，最進(jìn)幾年才被引入說話人識別領(lǐng)域［5-6，10］，并在頻譜泄露及頻譜估計(jì)方差方面都體現(xiàn)出優(yōu)于DFT 的特性［11-12］.

Multitapering 的定義如下：

式中：K為窗的個數(shù)；wj（t）為窗函數(shù)；λ（j）為第j個窗函數(shù)的對應(yīng)權(quán)值；N為語音幀的個數(shù).其中j＝1，…，K；t＝0，…，N-1.加權(quán)的DFT 是一種特殊情況，即K＝1，λ＝1.

Multitapering的具體實(shí)現(xiàn)如圖1 所示［5］，多窗頻譜估計(jì)方法利用多個相互獨(dú)立的窗函數(shù)對信號進(jìn)行頻譜分析，并最終產(chǎn)生幅度上存在微小差別的多個子頻譜，這些子頻譜的加權(quán)平均值構(gòu)成了信號的最終頻譜.由于頻譜之間的平均減小了對整個信號頻譜估計(jì)的方差，因此與傳統(tǒng)的單一窗函數(shù)的估計(jì)方法相比，該方法獲得的信號頻譜對噪音的敏感性更弱.

由Multitapering 的定義式可以看出，有兩個因素需要確定，即窗函數(shù)及其對應(yīng)的權(quán)值.窗函數(shù)包括三種類型：Thomson［7］，Sine［8］和 Multipeak［12］.在倒譜分析中，Sine 窗用于尋求最優(yōu)的權(quán)重值［13］.不同類型的窗函數(shù)適用于不同類型的隨機(jī)過程（假設(shè)信號服從某種隨機(jī)過程）.例如，Thomson窗函數(shù)適用于頻譜平坦的信號（白噪聲），而Multipeak 窗函數(shù)更適合于對帶峰值頻譜信號的分析（例如語音信號）.總之，窗函數(shù)的選擇是為了使不同子頻譜的估計(jì)誤差之間近似不相關(guān)，從而降低頻譜估計(jì)的方差值.

本文研究了對于不同窗個數(shù)的情況，SWCE（Sine-Weighted Cepstrum Estimator），Thomson以及Multipeak 三種多窗頻譜估計(jì)方法對一幀語音信號的頻譜估計(jì)性能，并與傳統(tǒng)漢明（Hamming）窗的DFT 進(jìn)行對比分析，結(jié)果如圖2所示.

圖2 不同類型窗函數(shù)的頻譜估計(jì)圖Fig.2 Diagrams of spectrum estimation with different type of window functions

由圖2 可知，與Hamming窗的DFT 方法相比，三種多窗頻譜估計(jì)法獲得的頻譜結(jié)構(gòu)更加平滑，主要是因?yàn)镸ultitapering 減小了對語音信號進(jìn)行頻譜估計(jì)的方差值.三種Mulitapering相比，Thomson產(chǎn)生類階梯狀的頻譜結(jié)構(gòu)，Multipeak獲得具有比較清晰的峰值的頻譜結(jié)構(gòu)，而SWCE產(chǎn)生的頻譜結(jié)構(gòu)更加平滑，是以上兩種方法的一種折中.此外，頻譜估計(jì)的性能也會受到窗個數(shù)選擇的影響，當(dāng)窗個數(shù)比較少時（如K≤4），三種Multitapering都保留了諧波（由聲源產(chǎn)生）及譜包絡(luò)（由聲道結(jié)構(gòu)產(chǎn)生）的信息；但當(dāng)窗個數(shù)較多（如K≥12）時，頻譜中的諧波成分便會消失，即反應(yīng)聲源的信息便會被忽略，因此窗個數(shù)的選擇很大程度上取決于具體的應(yīng)用環(huán)境.對于說話人的識別，聲源和聲道的信息都不同程度地表征了說話人的個性特征.因此，為了充分體現(xiàn)說話人的個性信息，應(yīng)選擇相對較少的窗函數(shù)來估計(jì)語音信號的頻譜結(jié)構(gòu).

2 基于Multitapering 的PLAR 特征提取

假設(shè)x＝［x（0）…x（N-1）］T表示一幀語音信號，DFT 是信號處理中廣泛應(yīng)用的頻譜估計(jì)方法，其頻譜估計(jì)如式（2）所示.

式中：f∈｛0，1，…，N-1｝為離散頻域的序列；w＝［w（0）…w（N-1）］T為Hamming 窗函數(shù).

從統(tǒng)計(jì)學(xué)角度看，Hamming窗雖然減小了頻譜估計(jì)的均值，但仍具有很大方差，說明通過傳統(tǒng)單一窗函數(shù)的方法估計(jì)的頻譜波動性較大，從而導(dǎo)致最終的特征參數(shù)穩(wěn)定性變差.因此，為了解決傳統(tǒng)方法中頻譜估計(jì)穩(wěn)定性差的問題，本文將Multitapering方法應(yīng)用到PLAR的提取中，在語音信號預(yù)處理過程，采用Multitapering替代傳統(tǒng)的DFT，對信號進(jìn)行頻譜估計(jì)；再對頻譜進(jìn)行PLAR特征參數(shù)的提取，從而獲得新的特征參數(shù)MTPLAR.其提取過程如圖3 所示.

圖3 MTPLAR的提取過程Fig.3 Extraction process of MTPLAR

MTPLAR參數(shù)的提取過程如下：

1）對語音信號進(jìn)行頻譜估計(jì)，利用Multitapering方法得到其頻譜S（ω），進(jìn)而獲得其功率譜.

2）對功率譜進(jìn)行Bark域的轉(zhuǎn)換，其公式為

式中：ω為角頻率；Ω為Bark域角頻率.對變換后的功率譜進(jìn)行臨界帶譜分析，得到臨界帶的功率譜

式中：Ψ（Ω）為臨界帶曲線［14］.

3）采樣后的Θ［Ω（ω）］用模擬的等響曲線進(jìn)行預(yù)加重，

函數(shù)E（ω）是對不同頻率不等的人類聽覺敏感度的一個近似估計(jì)，模擬了聲強(qiáng)為40dB 的聽覺敏感度.

4）對Ξ［Ω（ω）］的立方根的幅值進(jìn)行壓縮，其計(jì)算公式為

5）對Φ（Ω）進(jìn)行IDFT 變換，得到其自相關(guān)函數(shù)，使用萊文遜-杜賓遞推算法求得PLP 系數(shù).若將聲道視為由多個不同剖面面積、相等長度的聲管串聯(lián)而成的系統(tǒng)，則MTPLAR系數(shù)為相鄰兩個聲管剖面面積比.MTPLAR系數(shù)與PLP系數(shù)之間的關(guān)系為

式中：Ai為第i個聲管的剖面面積；αi為第i階PLP 系數(shù)；為第i階PLP 模型的第i個系數(shù).

3 實(shí)驗(yàn)與分析

實(shí)驗(yàn)數(shù)據(jù)來源于自錄語音庫，該語音庫是在安靜的實(shí)驗(yàn)室環(huán)境下錄制的純凈語音，語音信號的采樣頻率為8kHz，采樣精度為16bit，單聲道錄音.語音庫包含80個說話人，男、女各40人，訓(xùn)練語音長度為30s，測試語音長度為10s.

為了測試本文提出的MTPLAR特征參數(shù)的魯棒性，實(shí)驗(yàn)中采用三種Multitapering 方法，Thomson，Multipeak 以及SWCE，提取了20 維MTPLAR特征參數(shù).采用GMM 模型來建模，對基于MTPLAR特征的說話人確認(rèn)系統(tǒng)進(jìn)行識別性能的測試，并與基于傳統(tǒng)DFT 方法提取的PLAR特征的基線系統(tǒng)進(jìn)行對比分析.首先，研究了在純凈語音下Multitapering方法中窗個數(shù)對系統(tǒng)性能的影響，對基于三種Multitapering方法的MTPLAR特征參數(shù)的說話人確認(rèn)系統(tǒng)的識別性能進(jìn)行了對比分析，結(jié)果如圖4 所示.

由圖4 可以看出，當(dāng)窗個數(shù)4≤K≤8 時，通過三種Multitapering 方法提取的特征系統(tǒng)的EER 均低于基線系統(tǒng).由此可以說明，Multitapering方法對信號的頻譜分析優(yōu)于傳統(tǒng)的DFT，但其頻譜估計(jì)性能會受到窗個數(shù)的影響.實(shí)驗(yàn)證明：對于Thomson，當(dāng)K＝4 時，系統(tǒng)的性能最佳；SWCE 及Multipeak 最佳性能對應(yīng)的窗個數(shù)為8.

圖4 不同窗個數(shù)下，Multitapering的性能比較Fig.4 Comparison of Multitapering performance with different number of window functions

其次，研究了在噪音環(huán)境下，MTPLAR特征參數(shù)的魯棒性.實(shí)驗(yàn)選取噪音庫NOISEX-92［15］中的Factory 噪聲.噪聲按信噪比SNR為0dB，5dB，15dB，20dB 分別添加到干凈語音中.實(shí)驗(yàn)中，Thomson，SWCE 以及Multipeak 的窗個數(shù)分別為4，8，12，結(jié)果如表1所示.由表1可以看出，使用Multitapering改進(jìn)后的MTPLAR特征參數(shù)系統(tǒng)的EER均小于PLAR參數(shù)，說明此改進(jìn)方法可以有效提高說話人確認(rèn)系統(tǒng)的識別性能.在純凈環(huán)境下，SWCE 表現(xiàn)最佳；在不同信噪比下，3種方法的識別性能不同.

表1 不同信噪比情況下新特征的識別性能Tab.1 Recognition performance of the new feature under different SNR

4 結(jié)束語

本文通過改進(jìn)前端處理的頻譜估計(jì)方法，提出了一種基于Multitapering 的PLAR 特征提取方法.由于該方法可以對信號進(jìn)行更加穩(wěn)定的頻譜分析，故由此獲得的特征參數(shù)也具有更加魯棒的特性.實(shí)驗(yàn)結(jié)果表明：窗個數(shù)的選擇對該頻譜估計(jì)方法的性能產(chǎn)生了很大的影響，不同類型的窗函數(shù)對應(yīng)不同的最佳窗個數(shù).在噪音環(huán)境下，本文方法獲得的MTPLAR參數(shù)比傳統(tǒng)PLAR 方法在系統(tǒng)的識別性能方面得到了明顯的提高，同時也體現(xiàn)出了良好的抗噪性能.但本文并未對所有種類的噪聲進(jìn)行實(shí)驗(yàn)分析，故該方法是否對噪聲類型具有穩(wěn)定性仍需要進(jìn)一步研究.

［1］王炳錫，屈丹，彭煊.實(shí)用語音識別基礎(chǔ)［M］.北京：國防工業(yè)出版社，2000：265-266.

［2］Chow D，Abdulla W H.Robust speaker identification based on perceptual log area ratio and gaussian mixture models［C］.Proceedings of the 2004-ICSLP，Jeju Island，South Korea.USA：IEEE，2004：1761-1764.

［3］李燕萍，唐振民，錢博，等.基于PLAR 特征補(bǔ)償?shù)聂敯粜哉f話人識別仿真研究［J］.系統(tǒng)仿真學(xué)報(bào)，2009，21（2）：409-412.Li Yanping，Tang Zhenmin，Qian Bo，et al.Robust speaker recognition based on PLAR features compensation transformation and its simulation study［J］.Journal of System Simulation，2009，21（2）：409-412.（in Chinese）

［4］Percival D B，Walden A T.Spectral Analysis for Physical Application ［M］.Cambridge University Press，1993.

［5］Kinnunen T，Saeidi R，Sandberg J，et al.What else is new than the Hamming window robust MFCCs for speaker recognition via multitapering［C］.In Proc.Interspeech，2010：2734-2737.

［6］Sandberg J，Hansson-Sandsten M，Kinnunen T，et al.Multitaper estimation of frequency-warped cepstra with application to speaker verification［J］.IEEE Signal Processing Letters，2010，17（4）：343-346.

［7］Thomson D J.Spectrum estimation and harmonic analysis［J］.Proc.of the IEEE，1982，70（9）：1055-1096.

［8］Riedel K S，Sidorenko A.Minimum bias multipletaper spectral estimation［J］.IEEE Trans.on Signal Proc.，1995，43（1）：188-195.

［9］Hu Y，Loizou P.Speech enhancement based on wavelet thresholding the multitaper spectrum［J］.IEEE Trans.On Speech and Audio Proc.，2004，12（1）：59-67.

［10］Kinnunen T，Saeidi R，Sedlak F，et al.Low-variance multitaper MFCC features：A case study in robust speaker verification［J］.IEEE Transactions on Audio，Speech and Language Processing，2012，20（7）：1990-2001.

［11］Hansson M.Optimized weighted averaging of peak matched multiple window spectrum estimates［J］.IEEE Trans.on Signal Processing，1999，47（4）：1141-1146.

［12］Hansson M，Salomonsson G.A multiple window method for estimation of peaked spectra［J］.IEEE Trans.on Signal Processing，1997，45（3）：778-781.

［13］Hansson-Sandsten M，Sandberg J.Optimal cepstrum estimation using multiple windows［C］.IEEE Intemational Conference on Acoustics，Speech and Signal Processing，2009：3077-3080.

［14］Hermansky H.Perceptual linear predictive（PLP）analysis of speech［J］.Journal of Acoustical Society of America，1990，87：1738-1752.

［15］Varga A P，Steeneken H J M，Tomlinson M，et al.The noisex-92study on the effect of addictive noise on automatic speech recognition［R］.Technical Report.Malvern UK：Speech Research Unit，Defense Research Agency，1992.