陳建濤++陳維娜

摘要：基于文本無(wú)關(guān)的話者識(shí)別系統(tǒng)應(yīng)用前景廣闊，單一特征參數(shù)法往往難以完全反映說(shuō)話人的個(gè)人語(yǔ)音特征，因此目前研究的重點(diǎn)在于多種特征相結(jié)合的方法。文本無(wú)關(guān)的話者識(shí)別技術(shù)的難點(diǎn)在于它對(duì)提取參數(shù)要求很高，不能局限于表征個(gè)體單方面的特征參量，因此要形成一個(gè)有效、可靠的多特征結(jié)合的系統(tǒng)是當(dāng)前研究的難點(diǎn)之一。

關(guān)鍵詞：話者識(shí)別；模式匹配；文本無(wú)關(guān)；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）01-0189-03

An Overview about the Text-independent Speaker-identification Technology

Chen Jian-tao，CHEN Wei-na

（Peoples Public Security University of China，Beijing 102623， China）

Abstract： The application prospect of the text-independent speaker-recognition system is wide， and the single feature parameter method is often difficult to completely reflect the speaker's personal voice characteristics， so the focus of the current research lies in the combination of multiple features. The difficulty of the text independent speaker recognition technology is that it requires a high extraction parameters， and can not be confined to the characteristics of individual parameters， so it is difficult to form an effective and reliable system.

Key words： speaker-identification； pattern matching； text-independent； neural network

話者識(shí)別（speaker identification），在司法鑒定領(lǐng)域也被稱作語(yǔ)音同一認(rèn)定，是指通過(guò)比較特定說(shuō)話人不同時(shí)間段發(fā)出的語(yǔ)音，從而判斷這些語(yǔ)音是否來(lái)自同一人的一種技術(shù)手段。[1]

圖1 話者識(shí)別的一般流程

話者識(shí)別技術(shù)根據(jù)被檢測(cè)語(yǔ)音和樣本語(yǔ)音內(nèi)容之間的關(guān)系可分為文本相關(guān)（Text-dependent）的話者識(shí)別技術(shù)和文本無(wú)關(guān)（Text-independent）的話者識(shí)別技術(shù)兩種。所謂文本相關(guān)是指在被檢測(cè)語(yǔ)音和樣本語(yǔ)音內(nèi)容完全一致的前提下進(jìn)行的話者識(shí)別；文本無(wú)關(guān)與文本相關(guān)相對(duì)，是指不考慮被檢測(cè)語(yǔ)音與樣本語(yǔ)音內(nèi)容是否一致而進(jìn)行的話者識(shí)別方法。文本相關(guān)的話者識(shí)別技術(shù)是話者識(shí)別技術(shù)的起步階段，雖然簡(jiǎn)單而且誤識(shí)率低，但是在實(shí)際應(yīng)用中，受限制的因素較多，因此基于文本無(wú)關(guān)的話者識(shí)別技術(shù)就成為了話者識(shí)別領(lǐng)域中的研究的重點(diǎn)和應(yīng)用的熱點(diǎn)。話者識(shí)別系統(tǒng)一般包含語(yǔ)音信號(hào)輸入、預(yù)處理與數(shù)字化、特征提取、模式匹配和輸出結(jié)果等幾個(gè)模塊，圖1表示的是話者識(shí)別系統(tǒng)一般的流程圖。

1 語(yǔ)音的特征參數(shù)

在對(duì)人的發(fā)聲系統(tǒng)的發(fā)聲機(jī)理、聽(tīng)覺(jué)系統(tǒng)的感知機(jī)理和語(yǔ)音信號(hào)的數(shù)學(xué)建模的研究基礎(chǔ)之上，文本無(wú)關(guān)話者識(shí)別技術(shù)研究過(guò)程中已使用過(guò)的特征參數(shù)主要包括以下三類：

1.1基于發(fā)聲特性的特征參數(shù)[7]～[8]

從法庭科學(xué)的角度來(lái)講，人的發(fā)音習(xí)慣是運(yùn)動(dòng)習(xí)慣的一種，屬于人的局部器官的協(xié)調(diào)運(yùn)動(dòng)，這種運(yùn)動(dòng)習(xí)慣由聲帶、聲道和鼻、口、咽共振腔的生理結(jié)構(gòu)決定，而基于語(yǔ)音的短時(shí)譜提取出來(lái)的特征參數(shù)正好能反映不同人之間的這種生理結(jié)構(gòu)差異。基于發(fā)聲特性的特征參數(shù)包括音強(qiáng)曲線、基音強(qiáng)度、共振峰強(qiáng)度和帶寬等。

1.2基于聽(tīng)覺(jué)特性的特征參數(shù)

除了模擬人的發(fā)聲特性，通過(guò)模擬人耳聽(tīng)覺(jué)特性也能夠提取出說(shuō)話人語(yǔ)音的特征參數(shù)，常見(jiàn)的主要是一些倒譜參數(shù)，例如美尓倒譜系數(shù)（MFCC）和感知線性預(yù)測(cè)倒譜系數(shù)（LPCC）等，大量研究表明這類參數(shù)在文本無(wú)關(guān)的話者識(shí)別系統(tǒng)中能夠取得較好的效果。其中美尓倒譜系數(shù)（MFCC，Mel Frequency Cepstral Coefficients）MFCC參數(shù)是基于人的聽(tīng)覺(jué)特性的臨界帶效應(yīng)[2]，由于MFCC的計(jì)算要經(jīng)過(guò)濾波、取對(duì)數(shù)、作DCT變換等幾個(gè)過(guò)程，它的運(yùn)算量要比LPCC參數(shù)大，但是MFCC的魯棒性要強(qiáng)[9]，對(duì)于較強(qiáng)的輔音和夾雜噪音的語(yǔ)音都有較強(qiáng)的識(shí)別度。王金明等人[3]通過(guò)驗(yàn)證發(fā)現(xiàn)基于LPCC參數(shù)的誤識(shí)率為10.9%，而基于MFCC參數(shù)的誤識(shí)率為8.8%，此外一階差分特征參數(shù)與原參數(shù)組合的系統(tǒng)性能優(yōu)于非組合型特征參數(shù)。

1.3基于聲道參數(shù)模型的特征參數(shù)

基于聲道參數(shù)模型的特征參數(shù)是指能夠客觀反映說(shuō)話人聲道特性的一類參數(shù)，常用的是線性預(yù)測(cè)倒譜系數(shù)及其派生參數(shù)（反射系數(shù)、對(duì)數(shù)面積比系數(shù)、自相關(guān)系數(shù)、線譜對(duì)參數(shù)等），線性預(yù)測(cè)倒譜系數(shù)及其派生參數(shù)能夠有效表現(xiàn)聲道特點(diǎn)，是最有效的語(yǔ)音特征參數(shù)之一[11]。線性預(yù)測(cè)倒譜系數(shù)（LPCC，Linear Prediction Cepstrum Coefficient）[4] LPCC是由LPC系數(shù)推算得到的倒譜系數(shù)，相對(duì)于LPC來(lái)說(shuō)能夠較好地排除說(shuō)話聲發(fā)音時(shí)的過(guò)激信息，通常只需要幾十個(gè)倒譜系數(shù)就能夠描述說(shuō)話人語(yǔ)音的共振峰特性，能夠客觀地表現(xiàn)聲道的發(fā)聲特性。LPCC的推算流程如圖2所示。線性預(yù)測(cè)方法是建立在語(yǔ)音信號(hào)的相鄰采樣點(diǎn)之間具有很好的關(guān)聯(lián)性的基礎(chǔ)上的。研究表明不同人之間的相應(yīng)特征之間的距離要大，而同一人相應(yīng)特征之間的距離要小。

圖2 LPCC參數(shù)的推算流程示意圖[12]

寧飛[5]經(jīng)過(guò)對(duì)LPCC的數(shù)據(jù)進(jìn)行詳細(xì)分析，發(fā)現(xiàn)LPCC倒譜參數(shù)其實(shí)并不能完全表現(xiàn)不同說(shuō)話人聲音之間的特異性，倒譜參數(shù)的前五分之一反映的是說(shuō)話人的聲道特性，不同人之間差異度較小，不宜用于說(shuō)話人識(shí)別，而倒譜參數(shù)的后五分之一主要反映說(shuō)話人的聲門特征，個(gè)體特異性顯著，這類參數(shù)可以用于說(shuō)話人識(shí)別。

由于單一特征法通常不能完全反映說(shuō)話人的個(gè)人特征，多種特征參數(shù)融合的方法應(yīng)運(yùn)而生。多特征法是融合多種語(yǔ)音特征參量進(jìn)行話者識(shí)別的方法，多特征融合的方法是在單特征法的基礎(chǔ)之上發(fā)展起來(lái)的，算法和框架的設(shè)計(jì)都要更為復(fù)雜，但多特征融合的方法對(duì)于文本無(wú)關(guān)的語(yǔ)音識(shí)別準(zhǔn)確率要明顯高于單特征法。例如朱堅(jiān)民等[6]提出了將MFCC特征和1/3倍頻程特征作為說(shuō)話人語(yǔ)音的特征參數(shù)，設(shè)計(jì)并實(shí)現(xiàn)了利用貝葉斯網(wǎng)絡(luò)進(jìn)行話者識(shí)別的方法，50人的樣本庫(kù)正確率可達(dá)100%。流程如圖3所示：

圖3 基于貝葉斯網(wǎng)絡(luò)的話者識(shí)別方法流程圖[6]

2話者識(shí)別的模型

2.1模板匹配模型

模板匹配是一種比較傳統(tǒng)的相似度計(jì)算與匹配方法，廣泛用于語(yǔ)音、圖片、文字和符號(hào)等各種模式識(shí)別領(lǐng)域。模板匹配的步驟：首先進(jìn)行特征矢量的歸一——即從樣本語(yǔ)音庫(kù)中提取出所需要的特征矢量，然后在測(cè)試階段用同樣的處理方法從待測(cè)語(yǔ)音中提取特征矢量，并與之前提取的樣本特征矢量進(jìn)行比較，進(jìn)而得出識(shí)別結(jié)果。在模板匹配方法中可以使用多種距離測(cè)度，常用的是馬氏距離和歐氏距離兩種。[13]～[14]總體來(lái)說(shuō)，模板匹配方法抗噪能力較弱，上述兩種距離測(cè)度的變化會(huì)改變說(shuō)話人的特征參數(shù)，最終導(dǎo)致識(shí)別率下降。

2.2矢量量化模型

在圖像壓縮和語(yǔ)音壓縮等領(lǐng)域中矢量量化模型使用得比較多，它是將說(shuō)話人語(yǔ)音中若干連續(xù)的特征參量取值分成一組，每組包含N個(gè)參數(shù)，這樣就能夠?qū)崿F(xiàn)用N維向量表示一個(gè)說(shuō)話人的語(yǔ)音特征的目的[15]。同樣，矢量量化模型也分為學(xué)習(xí)和推理兩個(gè)階段：矢量量化模型學(xué)習(xí)時(shí)使用的是類聚算法，把M個(gè)說(shuō)話人的語(yǔ)音特征參數(shù)類聚成M類，得到M個(gè)碼本矢量；推理時(shí)先用同樣的方法得到待測(cè)說(shuō)話人語(yǔ)音的特征矢量，然后將這說(shuō)話人的特征矢量與原有的M個(gè)碼本矢量最小距離進(jìn)行累加，將累加和最小的說(shuō)話人作為識(shí)別結(jié)果。圖4是一種基于VQ矢量量化模型的話者識(shí)別系統(tǒng)示意圖。使用矢量量化模型的優(yōu)點(diǎn)是數(shù)據(jù)量少、訓(xùn)練時(shí)間短，可以通過(guò)量化長(zhǎng)時(shí)語(yǔ)音特征參數(shù)統(tǒng)計(jì)信息來(lái)達(dá)到識(shí)別說(shuō)話人的目的，同時(shí)還可以有效地進(jìn)行數(shù)據(jù)數(shù)據(jù)壓縮從而提高識(shí)別效率。

圖4 基于VQ矢量量化模型的話者識(shí)別系統(tǒng)示意圖[16]

2.3隱馬爾科夫模型（HMM）

隱馬爾科夫模型（Hidden Markov Model）是使用描述狀態(tài)間轉(zhuǎn)移來(lái)描述特征變化過(guò)程的一種模型，人們?cè)谡f(shuō)話時(shí)發(fā)出的語(yǔ)音特征是隨著時(shí)間不斷變化的，因此用隱馬爾科夫模型來(lái)描述語(yǔ)音的動(dòng)態(tài)特征是可行的。在做測(cè)試時(shí)，將待測(cè)語(yǔ)音作為觀察值，把樣本語(yǔ)音模型作為隱含狀態(tài)，測(cè)試待測(cè)語(yǔ)音在每個(gè)樣本語(yǔ)音模型下的條件概率，取條件概率最大的那個(gè)樣本語(yǔ)音模型作為待測(cè)語(yǔ)音模型識(shí)別結(jié)果。圖5是基于隱馬爾科夫模型的話者識(shí)別系統(tǒng)示意圖。

圖5 基于HMM的話者識(shí)別系統(tǒng)示意圖[17]

2.4高斯混合模型（GMM）

用高斯定理的來(lái)分析說(shuō)話人語(yǔ)音，每個(gè)人的語(yǔ)音特征在所有特征空間里都有一個(gè)特定的分布狀態(tài)，這也和司法鑒定領(lǐng)域中關(guān)于語(yǔ)音的特異性的描述相一致，因此可以用語(yǔ)音特征的這種獨(dú)特的分布來(lái)描述說(shuō)話人的語(yǔ)音模型。高斯混合模型（Gaussian Mixture Model）將說(shuō)話人語(yǔ)音特征的高斯分布進(jìn)行線性組合，用這種組合的形式來(lái)表示不同說(shuō)話人的語(yǔ)音特征在語(yǔ)音特征空間中的獨(dú)特分布狀態(tài)，將最能產(chǎn)生測(cè)試語(yǔ)音特征的高斯分布模型所對(duì)應(yīng)的樣本語(yǔ)音作為識(shí)別結(jié)果。在訓(xùn)練過(guò)程中，為每個(gè)人的語(yǔ)音建立一個(gè)模型，對(duì)每個(gè)人的特征分布狀態(tài)進(jìn)行統(tǒng)計(jì)，當(dāng)所有訓(xùn)練結(jié)束后，保存每個(gè)說(shuō)話人語(yǔ)音所對(duì)應(yīng)的線性組合參數(shù)；在識(shí)別過(guò)程中，將待測(cè)語(yǔ)音與樣本語(yǔ)音的參數(shù)進(jìn)行比對(duì)，求出每個(gè)樣本語(yǔ)音與待測(cè)語(yǔ)音對(duì)應(yīng)的似然函數(shù)，將最大似然函數(shù)所對(duì)應(yīng)的說(shuō)話人作為識(shí)別結(jié)果[18]。基于混合高斯模型的話者識(shí)別系統(tǒng)的大體工作流程如圖6所示。

圖6 基于GMM的話者識(shí)別系統(tǒng)示意圖

2.5人工神經(jīng)網(wǎng)絡(luò)模型

雖然參數(shù)模型和非參數(shù)模型方法都已經(jīng)在文本無(wú)關(guān)的話者識(shí)別技術(shù)中有所應(yīng)用，然而目前來(lái)說(shuō)這些方法與人腦識(shí)別的效果差距依然是很大的。人工神經(jīng)網(wǎng)絡(luò)模型是指參照人腦神經(jīng)元思考問(wèn)題的工作模式而建立的一種數(shù)學(xué)模型，使用這種模型能夠在一定程度上模擬人腦進(jìn)行話者識(shí)別的過(guò)程，因此人工神經(jīng)網(wǎng)絡(luò)模型為話者識(shí)別尤其是文本無(wú)關(guān)話者識(shí)別提供了一個(gè)新的、有效的途徑。人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用文本無(wú)關(guān)的話者識(shí)別技術(shù)領(lǐng)域中通常有兩種形式：一種是前向神經(jīng)網(wǎng)絡(luò)，另一種是多層前向神經(jīng)網(wǎng)絡(luò)。前一種結(jié)構(gòu)、分類相對(duì)簡(jiǎn)單，因此應(yīng)用范圍相對(duì)較廣；而后一種網(wǎng)絡(luò)的原理是將單個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行組合得到一個(gè)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)，例如BP型神經(jīng)網(wǎng)絡(luò)和RBF型神經(jīng)網(wǎng)絡(luò)，多層前向神經(jīng)網(wǎng)絡(luò)的話者識(shí)別系統(tǒng)具有較高的識(shí)別率，因此也逐漸應(yīng)用到了文本無(wú)關(guān)的話者識(shí)別領(lǐng)域[19]?；谌斯ど窠?jīng)網(wǎng)絡(luò)模型的話者識(shí)別系統(tǒng)采用相似程度來(lái)度量識(shí)別結(jié)果，陳全今等[10]引入對(duì)數(shù)似然率（LLR，Logarithm Likelihood Ratio）的概念，對(duì)檢材和樣本的相似程度進(jìn)行評(píng)分，具體方法是定義對(duì)數(shù)似然率

[LLR=lnP（EHP）P（EHd）]

其中E表示語(yǔ)音檢材語(yǔ)音與樣本語(yǔ)音出自同一人的后驗(yàn)概率；、分別表示將檢材語(yǔ)音與樣本語(yǔ)音出自同一人的先驗(yàn)概率，陳金全等將LLR的評(píng)分分為10個(gè)檔次，對(duì)應(yīng)10個(gè)不同的結(jié)論，如表1所示。

表1 LLR評(píng)分的分檔

使用LLR的優(yōu)點(diǎn)在于不僅能夠通過(guò)分檔量化得到檢材與樣本的相似或者差異程度，同時(shí)能驗(yàn)證LLR是否適用既定的檢材和樣本。

目前基于人工神經(jīng)網(wǎng)絡(luò)模型的文本無(wú)關(guān)話者識(shí)別方法所面臨的難題在于，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)會(huì)隨著待識(shí)別人群數(shù)量的變化而變化，分類器設(shè)計(jì)也要隨著反復(fù)的訓(xùn)練過(guò)程不斷改變。而且基于人工神經(jīng)網(wǎng)絡(luò)模型的說(shuō)話人識(shí)別系統(tǒng)的訓(xùn)練時(shí)間會(huì)隨著待測(cè)人群數(shù)量的增大而呈指數(shù)增長(zhǎng)的趨勢(shì)，所以從理論上來(lái)說(shuō)，當(dāng)待測(cè)人群數(shù)量增大到一定數(shù)量級(jí)時(shí)，這樣的系統(tǒng)無(wú)法在可接受的時(shí)間之內(nèi)完成話者識(shí)別任務(wù)的訓(xùn)練過(guò)程。解決這一問(wèn)題的方法在于實(shí)現(xiàn)大功能的神經(jīng)網(wǎng)絡(luò)分解成若干個(gè)子功能的小神經(jīng)網(wǎng)絡(luò)，再將這些小神經(jīng)網(wǎng)絡(luò)組合起來(lái)從而實(shí)現(xiàn)大網(wǎng)絡(luò)的功能。

3 結(jié)語(yǔ)和展望

基于文本無(wú)關(guān)的話者識(shí)別系統(tǒng)應(yīng)用前景廣闊，單一特征參數(shù)法往往難以完全反映說(shuō)話人的個(gè)人語(yǔ)音特征，因此目前研究的重點(diǎn)在于多種特征相結(jié)合的方法。文本無(wú)關(guān)的話者識(shí)別技術(shù)的難點(diǎn)在于它對(duì)提取參數(shù)要求很高，不能局限于表征個(gè)體單方面的特征參量，因此要形成一個(gè)有效、可靠的多特征結(jié)合的系統(tǒng)是當(dāng)前研究的難點(diǎn)之一。此外，國(guó)內(nèi)外諸多研究表明，語(yǔ)句的長(zhǎng)短對(duì)文本無(wú)關(guān)話者識(shí)別性能有較大的影響，無(wú)論采用多少個(gè)不同類型的參數(shù)，只要能從足夠長(zhǎng)的語(yǔ)音中提取語(yǔ)音特征參數(shù)，總能實(shí)現(xiàn)一個(gè)較高的識(shí)別率。

參考文獻(xiàn)：

[1] 王英利，聲紋鑒定技術(shù)[M]群眾出版社，2013：174.

[2] Rabineer L R，Juang B H.Fundamentals of Speech Processing and recognition[M].Prentice-Hall，1993.

[3] 王金明，張雄偉.話者識(shí)別系統(tǒng)中語(yǔ)音特征參數(shù)的研究與仿真[J].系統(tǒng)仿真學(xué)報(bào)，2013（9）.

[4] 余良俊、張友純，基于LPCC的話者識(shí)別系統(tǒng)[J].科技資訊，2007（31）.

[5] 寧飛.說(shuō)話人識(shí)別的幾種方法[J].電聲技術(shù)，2001（12）.

[6] 朱堅(jiān)民，張雷.基于聲音多特征貝葉斯網(wǎng)絡(luò)融合的話者識(shí)別研究[J].儀器儀表學(xué)學(xué)報(bào)，2013（9）.

[7] Sambur M R. Selection of Acoustic Features for Speaker Identification[C]. IEEE Trans On ASSP， 1975： 176-182.

[8] Rabineer L R， Juang B H. Fundamentals of Speech Processing and Recognition[M]. Prentice-Hall， 1993.

[9] 李霄寒.高階MFCC的話者識(shí)別性能及其噪聲魯棒性[J].信號(hào)處理，2001（4）.

[10] 陳全今.基于LLR的聲紋識(shí)別應(yīng)用研究[J].海峽科學(xué)，2014（9）.

[11] 李邵梅. 文本無(wú)關(guān)短語(yǔ)音說(shuō)話人識(shí)別技術(shù)研究[D].解放軍信息工程大學(xué)，2011.

[12] 蔣曄. 基于文本無(wú)關(guān)的說(shuō)話人識(shí)別技術(shù)研究[D].南京理工大學(xué)，2008.

[13] 鄧浩江，王守覺(jué)，邢藏菊，等. 基于聚類統(tǒng)計(jì)與文本無(wú)關(guān)的說(shuō)話人識(shí)別研究[J]. 電路與系統(tǒng)學(xué)報(bào)，2001（3）：77-80.

[14] 岳喜才，葉大田. 文本無(wú)關(guān)的說(shuō)話人識(shí)別：綜述[J]. 模式識(shí)別與人工智能，2001（2）：194-200.

[15] 劉芮杉. 與文本無(wú)關(guān)的語(yǔ)種識(shí)別技術(shù)研究[D].電子科技大學(xué)，2013.

[16] 林江云. 文本無(wú)關(guān)說(shuō)話人識(shí)別系統(tǒng)研究[D].廈門大學(xué)，2008.

[17] 張慶芳，趙鶴鳴. 基于改進(jìn)VQ算法的文本無(wú)關(guān)的說(shuō)話人識(shí)別[J]. 計(jì)算機(jī)工程與應(yīng)用，2006（10）：65-68.

[18] 張煒，胡起秀，吳文虎. 距離加權(quán)矢量量化文本無(wú)關(guān)的說(shuō)話人識(shí)別[J]. 清華大學(xué)學(xué)報(bào)（自然科學(xué)版），1997（3）：21-24.

[19] 楊延龍. 與文本無(wú)關(guān)的說(shuō)話人識(shí)別的關(guān)鍵技術(shù)研究[D].西安電子科技大學(xué)，2010.

[20] 包威權(quán)，陳坷，遲惠生. 基于HMM/MLFNN 混合結(jié)構(gòu)的說(shuō)話人辨認(rèn)研究[C].第四屆全國(guó)人機(jī)語(yǔ)音通訊會(huì)議論文集，1995：185-189.