吳明輝　胡群威　李　輝

(中國科學(xué)技術(shù)大學(xué)電子科學(xué)與技術(shù)系　安徽 合肥 230027)

?

一種基于深度神經(jīng)網(wǎng)絡(luò)的話者確認(rèn)方法

吳明輝胡群威李輝

(中國科學(xué)技術(shù)大學(xué)電子科學(xué)與技術(shù)系安徽 合肥 230027)

摘要主要研究基于深度神經(jīng)網(wǎng)絡(luò)的話者確認(rèn)方法。在訓(xùn)練階段，以語音倒譜特征參數(shù)作為輸入，說話人標(biāo)簽作為輸出有監(jiān)督的訓(xùn)練DNN；在話者注冊階段，從已訓(xùn)練的DNN最后一個隱藏層抽取與說話人相關(guān)的特征矢量，稱為d-vector，作為話者模型；在測試階段，從測試語音中抽取其d-vector與注冊的話者模型相比較然后做出判決。實驗結(jié)果表明，基于DNN的話者確認(rèn)方法是可行的，并且在噪聲環(huán)境及低的錯誤拒絕率的條件下，基于DNN的話者確認(rèn)系統(tǒng)性能比i-vector基線系統(tǒng)性能更優(yōu)。最后，將兩個系統(tǒng)進行融合，融合后的系統(tǒng)相對于i-vector基線系統(tǒng)在干凈語音和噪聲語音條件下等誤識率(EER)分別下降了13%和27%。

關(guān)鍵詞話者確認(rèn)深度神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)

0引言

隨著語音相關(guān)技術(shù)的發(fā)展和成熟，在日常生活中語音的應(yīng)用越來越廣泛，而語音作為證據(jù)在安全方面的應(yīng)用也日益重要，使得對話者確認(rèn)技術(shù)SV(SpeakerVerification)的需求越來越迫切。話者確認(rèn)的任務(wù)是通過測試給定語音波形信號中包含的說話人個性信息，從而對其聲明的身份進行判決。根據(jù)是否限定說話的內(nèi)容，話者確認(rèn)分為與文本有關(guān)和與文本無關(guān)兩種類型。與文本有關(guān)的話者確認(rèn)要求測試語音的內(nèi)容要與注冊語音的內(nèi)容相同，所以只能用于某些特殊的領(lǐng)域；而與文本無關(guān)的話者確認(rèn)不要求測試語音和注冊語音的內(nèi)容相同，所以應(yīng)用范圍更廣，在本文中主要研究與文本無關(guān)的話者確認(rèn)方法。

一般的話者確認(rèn)系統(tǒng)可以分為以下三個階段：

(1) 訓(xùn)練階段：通過大量的語音數(shù)據(jù)訓(xùn)練得到通用的背景模型。背景模型的類型有很多種，目前應(yīng)用較廣的主要是基于高斯混合模型GMM(GaussianMixtureModel)的通用背景模型UBM[1]，還有基于聯(lián)合因子分析JFA(JointFactorAnalysis)的通用模型[2-4]。

(2) 注冊階段：根據(jù)目標(biāo)說話人的語音數(shù)據(jù)，結(jié)合通用背景模型，獲得與目標(biāo)說話人相關(guān)的話者模型，一般要求目標(biāo)說話人的語音數(shù)據(jù)和通用背景模型的訓(xùn)練語音數(shù)據(jù)不重疊。

(3) 測試階段：將測試語音經(jīng)過話者模型和通用背景模型輸出評分，然后與設(shè)定的閾值比較，做出判決。

在上述三個階段采用不同的方法，已經(jīng)產(chǎn)生了很多不同的話者確認(rèn)系統(tǒng)。目前，主流的話者確認(rèn)系統(tǒng)是采用i-vector和PLDA結(jié)合的方法[5]，在這個系統(tǒng)中，主要是利用JFA作為特征提取器，從語音倒譜特征中提取一個與說話人相關(guān)的低維向量i-vector，然后通過PLDA進行后續(xù)的處理，輸出評分。

近年來，深度神經(jīng)網(wǎng)絡(luò)DNN以其強大的特征表示能力，成功應(yīng)用于語音識別領(lǐng)域[6]。本文提出在話者確認(rèn)系統(tǒng)中利用DNN作為特征提取器，通過構(gòu)建語音倒譜特征到說話人的一個映射，從而建立通用背景模型。在注冊階段，通過注冊語音訓(xùn)練DNN，然后抽取DNN最后一個隱藏層的輸出，將其定義為d-vector；在測試階段，與基于i-vector的話者確認(rèn)系統(tǒng)相同，根據(jù)目標(biāo)說話人的d-vector和測試語音的d-vector之間的距離做出判決，接受或拒絕。

為了驗證本文方法的有效性，參考了美國國家標(biāo)準(zhǔn)技術(shù)署B(yǎng)IST(NationalInstituteofStandardandTechnology)評測[7]的部分要求，采用等誤識率EER(EqualErrorRate)和DET(DetectionErrorTrade-off)曲線作為評價標(biāo)準(zhǔn)，對NIST語料庫進行測試，實驗表明本文構(gòu)建的系統(tǒng)取得了較好的性能。

1相關(guān)背景介紹

基于i-vector和PLDA的話者確認(rèn)系統(tǒng)是目前與文本無關(guān)話者確認(rèn)系統(tǒng)中的主流系統(tǒng)。i-vector可以看作是語音倒譜特征在全局差異空間(TotalVariabilitySpace)的一個低維表示，其中包含了大部分的說話人個性信息和少量其他信息。對于一個給定的語音信號，定義均值超矢量如下：

M=m+Tω

(1)

其中m是一個與說話人無關(guān)的均值超矢量，通常采用UBM的均值超矢量代替，T是一個低秩矩陣，稱為全局差異矩陣TVM(TotalVariabilityMatrix)，ω是一個服從標(biāo)準(zhǔn)正態(tài)分布的向量，稱為i-vector。在獲得i-vector以后，再進行PLDA操作，這個和JFA的原理相同，都是進一步將語音中包含的說話人個性信息和通道信息區(qū)分開，從而獲得更好的識別效果[8,9]。

在過去的研究中，已經(jīng)嘗試過將神經(jīng)網(wǎng)絡(luò)用于話者確認(rèn)系統(tǒng)中，因為神經(jīng)網(wǎng)絡(luò)具有很好的非線性分類能力，所以能夠?qū)φZ音信號中包含的說話人個性信息進行鑒別。其中自聯(lián)想神經(jīng)網(wǎng)絡(luò)AANN(AutoAssociativeNeuralNetwork)[10]采用目標(biāo)說話人AANN網(wǎng)絡(luò)輸出和背景模型UBM-AANN輸出之間的誤差進行網(wǎng)絡(luò)重構(gòu)，被用于話者確認(rèn)系統(tǒng)中；帶有bottleneck層的多層感知機MLP(Multi-layerperceptions)也曾被用于話者確認(rèn)系統(tǒng)中[11]。最近，已經(jīng)有研究將深度神經(jīng)網(wǎng)絡(luò)用于話者確認(rèn)系統(tǒng)中，如基于卷積神經(jīng)網(wǎng)絡(luò)和玻爾茲曼機的話者確認(rèn)系統(tǒng)[12,13]。

2基于DNN的話者確認(rèn)系統(tǒng)

本文提出基于DNN的話者確認(rèn)系統(tǒng)模型如圖1所示。DNN用于提取語音倒譜特征MFCC中與說話人相關(guān)的特征參數(shù)，這個方法與文獻[12]類似，但主要的不同是本文采用有監(jiān)督的訓(xùn)練方法，并且用DNN代替卷積神經(jīng)網(wǎng)絡(luò)。

圖1　基于DNN的話者確認(rèn)系統(tǒng)背景模型

2.1DNN作為特征提取器

本文所提出方法的核心思想就是將DNN用作特征提取器，在i-vector基線系統(tǒng)中采用DNN代替JFA作為背景模型，從語音倒譜特征中提取一個與說話人相關(guān)的特征向量[14]。

基于這樣的思想，首先在語音倒譜特征上構(gòu)建有監(jiān)督的DNN系統(tǒng)，用于區(qū)分訓(xùn)練集中不同說話人的語音信號。這個背景神經(jīng)網(wǎng)絡(luò)的輸入采用擴展的40幀語音MFCC參數(shù)，就是將原始的語音MFCC特征參數(shù)進行左右擴展；另外對訓(xùn)練集中的N個說話人采用一個N維向量進行編號。其中對應(yīng)說話人維度的值為1，其他維度的值都為0，這些編號稱為說話人的身份標(biāo)簽，DNN系統(tǒng)的輸出對應(yīng)為這些標(biāo)簽，圖1為DNN的拓?fù)浣Y(jié)構(gòu)圖。

當(dāng)訓(xùn)練完DNN以后，使用其最后一個隱藏層輸出作為對說話人信息的一種表示，也就是說，先獲得語音的MFCC參數(shù)。然后將這些特征參數(shù)輸入到DNN中，用前向傳播算法求出最后一個隱藏層的輸出，即為對說話人的一個新的表示，稱這個輸出為d-vector。選用DNN的最后一個隱藏層作為輸出而不是選用softmax分類器作為輸出的原因有兩個：首先，這樣做可以減小神經(jīng)網(wǎng)絡(luò)的規(guī)模，通過舍棄DNN的輸出層，可以在增加訓(xùn)練數(shù)據(jù)集時，而不用增加網(wǎng)絡(luò)的規(guī)模；其次，通過后面的實驗發(fā)現(xiàn)這樣提取的特征用于話者確認(rèn)的性能更好。

2.2注冊和測試

當(dāng)給定說話人s的一個語料集Xs={Os1,Os2,…,Osn}，其中每一條語音可以表示為多幀的特征向量Osi={o1,o2,…,om}。注冊過程描述如下：首先，使用說話人s的每一條語音Osi中的特征向量oj和他的身份標(biāo)簽去有監(jiān)督的訓(xùn)練DNN，將DNN最后一個隱藏層輸出稱為與Osi有關(guān)的d-vector；然后，將所有的這些d-vector進行平均處理得到最后的d-vector，稱為與說話人s相關(guān)的d-vector。

在測試過程中，首先抽取測試語音的d-vector，然后計算測試語音d-vector和注冊語音的d-vector之間的余弦距離，將這個值與事前設(shè)定的閾值作比較進行判決。

2.3DNN的訓(xùn)練過程

本文采用帶有dropout策略的最大輸出(Maxout)DNN[15,16]作為背景模型。在訓(xùn)練樣本集較小時，dropout策略可以很好的預(yù)防DNN過擬合[16]，dropout策略就是在訓(xùn)練的過程中隨機丟棄一些隱藏層節(jié)點的輸出。MaxoutDNN是對dropout策略一種很好的實現(xiàn)，MaxoutDNN不同于標(biāo)準(zhǔn)的MLP，其將每一層輸出分為不重疊的兩組，每一組通過最大化輸出的策略選擇單個激活函數(shù)的值作為輸出。在本文中，訓(xùn)練一個帶有4個隱藏層的DNN，每個隱藏層包含512個節(jié)點。前兩層不使用dropout策略，后兩層以50%的概率丟棄激活函數(shù)輸出進行DNN的訓(xùn)練，如圖1所示。使用sigmoid函數(shù)作為每一個非線性神經(jīng)元的激活函數(shù)，學(xué)習(xí)率為0.001。DNN的輸入采用堆疊的40幀的語音MFCC參數(shù)，即向左擴展20幀，向右擴展20幀組成的超幀參數(shù)，目標(biāo)向量的維度為800，與訓(xùn)練集中話者的人數(shù)相同。最終的DNN大約有2MB左右的參數(shù)，這和最小的i-vector基線系統(tǒng)類似。

3實驗與分析

3.1實驗數(shù)據(jù)庫

實驗數(shù)據(jù)來自美國國家標(biāo)準(zhǔn)技術(shù)署NIST(NationalInstituteofStandardandTechnology)舉辦的全球說話人評測比賽中的語音數(shù)據(jù)[7]。NIST語料庫覆蓋了多種傳輸信道情況和話筒類型。以NIST10語料庫為例，其根據(jù)語料數(shù)據(jù)的不同，分成5種訓(xùn)練條件和4種測試條件，將不同的訓(xùn)練條件和測試條件組合即可作為不同的測試任務(wù)。其中一個組合作為核心任務(wù)，所有評測的參賽者都必須要完成核心任務(wù)，由于NIST語料庫數(shù)據(jù)量龐大，本實驗從NIST10語料庫中選擇1000個說話人語料作為測試子集。其中800個說話人語音用作背景模型的訓(xùn)練，200個說話人語音用作注冊和測試，每個說話人包含30條語音，每條語音的長度大約為3min(VAD后大約2min)。從800個說話人中每人選出10條用作背景模型的訓(xùn)練，注冊和測試時，每個說話人的前20條語音用作注冊，剩下的用作確認(rèn)測試。從其他199個人中每人選出10條作為冒認(rèn)測試，一共進行400 000次測試。

3.2基線系統(tǒng)

在本文中，主要目的是保持模型在較小的規(guī)模下仍能夠完成比較好的效果?；€系統(tǒng)采用基于i-vector的話者確認(rèn)系統(tǒng)，GMM-UBM采用13維的MFCC參數(shù)及其一階差分和二階差分進行訓(xùn)練。使用EER作為評判標(biāo)準(zhǔn)，測試采用不同混合度的UBM和不同的i-vector維度以及不同LDA之后的維度對系統(tǒng)性能的影響，從而評估i-vector系統(tǒng)在什么樣的模型大小下性能最好。其中TVM采用PCA進行初始化，迭代10次，UBM采用6次迭代。

如表1所示，基于i-vector的話者確認(rèn)系統(tǒng)隨著系統(tǒng)規(guī)模的下降，性能也會有所下降，同樣可以看出，在進行了t-norm[17]規(guī)整后的性能會明顯優(yōu)于不進行規(guī)整的原始輸出評分。其中最小的i-vector系統(tǒng)包含2M左右的參數(shù)，和本文的系統(tǒng)規(guī)模類似。

表1　不同參數(shù)配置下i-vector系統(tǒng)的性能對比

3.3基于DNN的話者確認(rèn)系統(tǒng)

如圖2所示，是基于i-vector的基線系統(tǒng)和基于d-vector的話者確認(rèn)系統(tǒng)的性能比較。通過觀察DET曲線發(fā)現(xiàn)在d-vector系統(tǒng)中，未經(jīng)規(guī)整的原始輸出評分要比經(jīng)過t-norm規(guī)整后的評分效果好。而i-vector系統(tǒng)中依然是t-norm之后的評分優(yōu)于未經(jīng)規(guī)整的評分，這可能是因為經(jīng)過d-vector系統(tǒng)輸出的評分并不是服從正太分布而是服從重尾分布。因此在以后的工作中需要對d-vector系統(tǒng)輸出評分采用新的評分規(guī)整策略。在接下來的實驗中，基于d-vector的實驗都采用原始的評分作為輸出。

圖2　比較t-norm評分規(guī)整對兩個系統(tǒng)的影響

從DET曲線中可以看出經(jīng)過t-norm規(guī)整后的i-vector系統(tǒng)的EER為2.84%，而未經(jīng)規(guī)整的d-vector系統(tǒng)EER為4.55%。所以基于i-vector的系統(tǒng)性能要優(yōu)于d-vector系統(tǒng)，然而在低的錯誤拒絕率時，如圖2右下角所示，基于d-vector系統(tǒng)的性能優(yōu)于i-vector系統(tǒng)。

同樣也實驗了采用不同的參數(shù)配置去訓(xùn)練DNN，發(fā)現(xiàn)不使用dropout策略，EER會上升3%左右。通過增加隱藏層的數(shù)量到1024，對于整個系統(tǒng)的性能沒有提高，但當(dāng)減少隱藏層的節(jié)點數(shù)目到256時，系統(tǒng)的EER上升到了8%。

3.4注冊數(shù)據(jù)的影響

在d-vector系統(tǒng)中，在注冊階段沒有統(tǒng)計說話人語料數(shù)目對整個系統(tǒng)性能的影響，在這個實驗主要研究每個說話人選用不同數(shù)目的語料對基于i-vector的基線系統(tǒng)和基于d-vector的話者確認(rèn)系統(tǒng)的影響。在注冊階段每個說話人分別選用4、8、12、20條語音進行比較。

通過分析表2中各個情況下的EER，在兩個系統(tǒng)的性能都是隨著注冊語音數(shù)目的增加而提高，并且趨勢相同。

表2　不同的注冊語音數(shù)目對系統(tǒng)的影響

3.5噪聲魯棒性

在實際的應(yīng)用中往往訓(xùn)練階段和實際測試階段環(huán)境不匹配，在這個實驗中，主要測試在噪聲環(huán)境下，兩個系統(tǒng)性能的比較。背景模型都是在干凈語音下訓(xùn)練得到，但是在注冊語音和測試語音中都加入了10dB的白噪聲，兩個系統(tǒng)的DET曲線如圖3所示。從圖可以看出，在噪聲情況下，兩個系統(tǒng)的性能都有所下降。但是基于d-vector的系統(tǒng)的性能在噪聲情況下性能下降的幅度較小，并且在低的錯誤拒絕率的條件下基于d-vector的話者確認(rèn)系統(tǒng)的性能要優(yōu)于基于i-vector的基線系統(tǒng)的性能。

圖3　比較采用干凈語音和帶噪聲的語音對兩個系統(tǒng)的影響

3.6系統(tǒng)融合

通過上面與i-vector基線系統(tǒng)的比較發(fā)現(xiàn)，本文提出的基于d-vector的話者確認(rèn)系統(tǒng)是可行的，尤其適合于噪聲環(huán)境和在要求低的錯誤拒絕率的條件下。然后我們將這兩種系統(tǒng)進行融合，稱為i/d-vector系統(tǒng)。一般融合的策略有很多種，本文只是簡單地將兩個系統(tǒng)的輸出評分進行平均，如圖4和圖5中fusion所示，并且在兩個系統(tǒng)中都采用t-norm進行規(guī)整。通過分析圖4和圖5可知，融合后的系統(tǒng)i/d-vector在干凈語音及帶噪聲條件下都優(yōu)于單個系統(tǒng)的性能，就EER來說，i/d-vector系統(tǒng)相對于i-vector系統(tǒng)在干凈環(huán)境下和噪聲環(huán)境下分別下降了13%和27%。

圖4　在干凈語音下比較融合后的系統(tǒng)(fusion)與單個系統(tǒng)的性能

圖5　在噪聲語音下比較融合后的系統(tǒng)(fusion)與單個系統(tǒng)的性能

4結(jié)語

本文提出了一種新的基于DNN的話者確認(rèn)方法，通過采用語音信號的倒譜特征參數(shù)訓(xùn)練DNN來區(qū)分說話人，被訓(xùn)練的DNN用于抽取語音信號中與說話人相關(guān)的特征參數(shù)。最后將這些特征參數(shù)取平均，得到d-vector，然后用于話者確認(rèn)系統(tǒng)。通過實驗表明基于d-vector的話者確認(rèn)系統(tǒng)的性能與i-vector基線系統(tǒng)相當(dāng)，在融合了兩種系統(tǒng)之后發(fā)現(xiàn)，融合后的系統(tǒng)優(yōu)于其任何一個單獨的系統(tǒng)。并且在噪聲環(huán)境下，基于d-vector話者確認(rèn)系統(tǒng)比i-vector基線系統(tǒng)的魯棒性更好；在低的錯誤拒絕率的條件下基于d-vector的話者確認(rèn)系統(tǒng)優(yōu)于i-vector基線系統(tǒng)。

接下來的工作主要包括修改現(xiàn)在的余弦評分策略，以及采用新的規(guī)整方法對評分進行規(guī)整。進一步去探索新的融合策略，如在i-vector和d-vector空間使用PLDA模型等。最終，希望能夠提出一種有效的魯棒性更好的話者確認(rèn)系統(tǒng)。

參考文獻

[1]ReynoldsDA,QuatieriTF,DunnRB.SpeakerverificationusingadaptedGaussianmixturemodels[J].Digitalsignalprocessing,2000,10(1):19-41.

[2]KennyP,BoulianneG,OuelletP,etal.Jointfactoranalysisversuseigenchannelsinspeakerrecognition[J].Audio,Speech,andLanguageProcessing,IEEETransactionson,2007,15(4):1435-1447.

[3]KennyP,BoulianneG,OuelletP,etal.SpeakerandsessionvariabilityinGMM-basedspeakerverification[J].Audio,Speech,andLanguageProcessing,IEEETransactionson,2007,15(4):1448-1460.

[4]KennyP,OuelletP,DehakN,etal.Astudyofinterspeakervariabilityinspeakerverification[J].Audio,Speech,andLanguageProcessing,IEEETransactionson,2008,16(5):980-988.

[5]DehakN,KennyP,DehakR,etal.Front-endfactoranalysisforspeakerverification[J].Audio,Speech,andLanguageProcessing,IEEETransactionson,2011,19(4):788-798.

[6]HintonG,DengL,YuD,etal.Deepneuralnetworksforacousticmodelinginspeechrecognition:Thesharedviewsoffourresearchgroups[J].SignalProcessingMagazine,IEEE,2012,29(6):82-97.

[7]MartinAF,GreenbergCS.TheNIST2010speakerrecognitionevaluation[C]//Interspeech2010,11thAnnualConferenceoftheInternationalSpeechCommunicationAssociation,Makuhari,Chiba,Japan,2010:2726-2729.

[8]KennyP.BayesianSpeakerVerificationwithHeavy-TailedPriors[C]//Proc.OdysseySpeakerandLanguageRecognitionWorkshop,Brno,CzechRepublic,2010:14.

[9]LarcherA,LeeKA,MaB,etal.Phonetically-constrainedPLDAmodelingfortext-dependentspeakerverificationwithmultipleshortutterances[C]//Acoustics,SpeechandSignalProcessing(ICASSP),2013IEEEInternationalConferenceon.IEEE,2013:7673-7677.

[10]YegnanarayanaB,KishoreSP.AANN:analternativetoGMMforpatternrecognition[J].NeuralNetworks,2002,15(3):459-469.

[11]HeckLP,KonigY,S?nmezMK,etal.Robustnesstotelephonehandsetdistortioninspeakerrecognitionbydiscriminativefeaturedesign[J].SpeechCommunication,2000,31(2):181-192.

[12]LeeH,PhamP,LargmanY,etal.Unsupervisedfeaturelearningforaudioclassificationusingconvolutionaldeepbeliefnetworks[C]//Advancesinneuralinformationprocessingsystems,2009:1096-1104.

[13]StafylakisT,KennyP,SenoussaouiM,etal.PreliminaryinvestigationofBoltzmannmachineclassifiersforspeakerrecognition[C]//ProceedingsOdysseySpeakerandLanguageRecognitionWorkshop,2012.

[14]VarianiE,LeiX,McDermottE,etal.Deepneuralnetworksforsmallfootprinttext-dependentspeakerverification[C]//Acoustics,SpeechandSignalProcessing(ICASSP),2014IEEEInternationalConferenceon.IEEE,2014:4052-4056.

[15]CaiM,ShiY,LiuJ.Deepmaxoutneuralnetworksforspeechrecognition[C]//AutomaticSpeechRecognitionandUnderstanding(ASRU),2013IEEEWorkshopon.IEEE,2013:291-296.

[16]DahlGE,SainathTN,HintonGE.ImprovingdeepneuralnetworksforLVCSRusingrectifiedlinearunitsanddropout[C]//Acoustics,SpeechandSignalProcessing(ICASSP),2013IEEEInternationalConferenceon.IEEE,2013:8609-8613.

[17]AuckenthalerR,CareyM,LloydThomasH.Scorenormalizationfortext-independentspeakerverificationsystems[J].DigitalSignalProcessing,2000,10(1):42-54.

A SPEAKER VERIFICATION METHOD BASED ON DEEP NEURAL NETWORK

Wu MinghuiHu QunweiLi Hui

(Department of Electronic Science and Technology,University of Science and Technology of China,Hefei 230027,Anhui,China)

AbstractIn this paper we mainly investigate the method of using deep neural network (DNN) for speaker verification. At the stage of training, the DNN is trained under supervision using the feature parameter of speech cepstrum as input and the label of speaker as output. At the stage of speaker registration, an eigenvector correlated to the speaker, namely d-vector, is extracted from the last hidden layer of the trained DNN and is used as the model of speaker. At test stage, from testing speech a d-vector is extracted to compare it with the model of the registered speaker and then to make the verification decision. Experimental results show that the DNN-based speaker verification method is feasible. Moreover, under the condition of noisy environment and low error-rejection rate, the DNN-based speaker verification system outperforms the i-vector base line system in performance. Finally, we integrate these two systems, relative to the i-vector base line system, the integrated system reduces the equal error rate (EER) by 13% and 27% for clean speech and noisy speck conditions respectively.

KeywordsSpeaker verificationDeep neural network (DNN)Deep learning

收稿日期：2014-12-14。吳明輝，碩士，主研領(lǐng)域：人工智能與模式識別，語音信號處理。胡群威，碩士。李輝，副教授。

中圖分類號TP3

文獻標(biāo)識碼A

DOI:10.3969/j.issn.1000-386x.2016.06.039