王致垚
摘 要:語音識別技術(shù)飛速發(fā)展,在現(xiàn)實生活中扮演著越來越重要的角色,語音識別簡單來說就是讓計算機(jī)理解人的語音,它有兩大研究領(lǐng)域:語種識別和說話人識別。說話人識別是指計算機(jī)能夠識別出語音來自那個說話人,在身份驗證等眾多領(lǐng)域有很廣泛的應(yīng)用。本文著重探究哪種細(xì)微聲音對說話人識別的效果好,這些細(xì)微聲音有“嗯”“嘖嘖”“清嗓子”“清鼻子”等,最后進(jìn)行人機(jī)大戰(zhàn),得出機(jī)器的準(zhǔn)確率普遍比較高的結(jié)論。
關(guān)鍵詞:語音識別;說話人識別;高斯混合模型;深度學(xué)習(xí)
中圖分類號:TP391 文獻(xiàn)標(biāo)志碼:A
0 前言
隨著移動互聯(lián)網(wǎng)的興起,手機(jī)APP的廣泛應(yīng)用以及移動電子商務(wù)的需求,人們對安全保密系統(tǒng)的要求也越來越高。除了傳統(tǒng)的密碼輸入方式外,基于生物特征的身份認(rèn)證(如指紋、虹膜、掌紋以及人臉等)成為目前最主要的研究方向。在這其中,語音信號是用于個人身份辨識和確認(rèn)的一種有效的生物特征,其技術(shù)在生物識別中占有重要地位。
語音信號處理是用數(shù)字信息技術(shù)處理語音,可以分為語音合成、語音識別、語音編程和說話人識別。說話人識別是指從語音信號中提取說話人的特征,并對說話人進(jìn)行識別的研究領(lǐng)域。說話人識別實際上是一個模型識別問題。而基于Kaldi的GMM i-vector說話人識別系統(tǒng)則是其中比較新穎的技術(shù)。本文探討的是利用i-vector說話人識別系統(tǒng)來處理一些比較特殊的問題。
1 說話人識別研究的目的及意義
信息輸入方式的變化,也是由于生物識別技術(shù)的發(fā)展。說話人識別技術(shù)能夠更加快捷便利的確定說話人的身份,能夠應(yīng)用于說話人核對,(例如語音類別身份證)電子設(shè)備,信息系統(tǒng)的安全工作,刑偵技術(shù)的人員追蹤,公安、軍事、機(jī)密的防護(hù)等眾多領(lǐng)域、將會在電腦、手機(jī)、汽車、電子鎖等電子產(chǎn)品上有眾多應(yīng)用
說話人識別也叫做聲紋識別,屬于生物識別技術(shù)的一種。相對于傳統(tǒng)認(rèn)證,具有安全、保密、不易偽裝、不會遺忘或丟失,方便等優(yōu)點。比起其他的生物識別技術(shù),說話人識別更有廉價、簡潔輕便、應(yīng)用廣泛、易于操作和接受等優(yōu)點。
2 說話人識別發(fā)展概述
1876年貝爾(Bell)發(fā)明了電話。1952年Davis等人在貝爾實驗室研制出第一個10個英語字母的語音識別設(shè)備。1956年Cooley和Tukey提出了離散傅里葉變換的快速算法(FFT算法)。20世紀(jì)80年代,人們應(yīng)用非線性技術(shù)提出了梅爾頻率倒譜系數(shù)(MFCC),MFCC是最實用的語音特征參數(shù)。在20世紀(jì)90年代后期,高斯混合模型(GMM,在HMM的基礎(chǔ)上被提出)被應(yīng)用到了說話人識別,GMM成了現(xiàn)在說話人識別的基礎(chǔ)。21世紀(jì)后,人們在高斯混合模型的基礎(chǔ)上提出了高斯混合模型—通用背景模型(GMM—UBM),克服了外部環(huán)境的干擾。GMM—UBM成為目前說話人識別領(lǐng)域最為經(jīng)典的建模方法。
1997年,IBM 將ViaVoice應(yīng)用于商業(yè)。2011年iPhone手機(jī)上出現(xiàn)了Siri語音助手服務(wù),語音識別技術(shù)在生活中普及開來?,F(xiàn)在幾乎身邊的電子設(shè)備如手機(jī)、電腦、iPad都會具備語音識別功能。
3 說話人識別的研究方法
3.1 說話人識別的基本流程
說話人識別實際上是一個模型識別類型,其基本原理是將識別目標(biāo)說話人形成的特征模型與訓(xùn)練好的特征模型進(jìn)行匹配。根據(jù)匹配的距離或概率近似度來判斷說話者是訓(xùn)練模型中的哪個人(說話人辨認(rèn)),或是否是被申明的人(說話人確認(rèn))。
3.1.1 預(yù)處理
預(yù)處理指令可以使輸入的語音信號在不同的執(zhí)行環(huán)境中方便被修改或翻譯。大致分為預(yù)加重、分幀加窗和端點檢測。
3.1.2 特征提取
特征提取是在音頻中提取能夠代表說話人語音特征的信息,消除無用的信息。從而有利于后續(xù)的特征比較,提取的特征能夠直接辨別說話人身份,充分體現(xiàn)不同語音間的差異。
3.1.3 訓(xùn)練過程:訓(xùn)練模型、模型參數(shù)儲存
根據(jù)提取的特征參數(shù)建立說話人的模型,建立訓(xùn)練過程的模型。建立模型的方法分為模板匹配法和概率統(tǒng)計模型法。并將模型進(jìn)行儲存,作為識別過程中的匹配模板。
3.1.4 測試過程:匹配得分,決策判斷
將待測試的語音文件的特征參量與已建立的模型庫進(jìn)行對比、匹配和識別,計算出來得分,查看相似性的最大值,根據(jù)相似性匹配說話人。
值得一提的是,如果被測試的音頻文件不屬于已知的說話人模型。(閉集情況)系統(tǒng)不能隨意抽取相似得分的最大值,因為這樣會將陌生說話人誤判為模型庫中的某一說話人。應(yīng)當(dāng)確定一個適當(dāng)大小的閾值,判斷測試語音是否屬于已經(jīng)建立模型的說話人。若測試得分低于閾值則系統(tǒng)判斷測試音頻不屬于任何一個說話人模型。
3.2 說話人識別的傳統(tǒng)方法
在提取特征之后,要進(jìn)行模型訓(xùn)練。在模型匹配方面,大體分為模板匹配法和概率統(tǒng)計模型法。
可是在實際應(yīng)用中,常常會受到周邊噪聲的干擾,對基于GMM的說話人識別系統(tǒng)要求便有所增加,因此要訓(xùn)練準(zhǔn)確的高斯混合模型需要很多語音數(shù)據(jù),而每一個訓(xùn)練說話人的語音又不夠,因此UBM通用背景模型便被提出來了。在眾多語音數(shù)據(jù)中訓(xùn)練好一個和說話人特征無關(guān)的通用背景模型來模擬實際的外部環(huán)境,通過自適應(yīng)算法來得到目標(biāo)的說話人模型。
4 細(xì)微聲音識別實驗
4.1 實驗原理
說話人識別是一類典型的模式識別類型,包括說話人模型訓(xùn)練和測試語音打分判決兩個階段。
訓(xùn)練階段:對每個使用系統(tǒng)的說話人預(yù)留充足的語音;對預(yù)留語音提取聲學(xué)特征;根據(jù)提取的聲學(xué)特征訓(xùn)練得到說話人模型;將每個說話人模型存入說話人模型庫中。
測試階段:系統(tǒng)獲取待測試識別的語音;與訓(xùn)練階段相同,提取測試語音的聲學(xué)特征;將測試語音的聲學(xué)特征與說話人模型庫進(jìn)行比對,根據(jù)預(yù)先定義的相似性準(zhǔn)則,在說話人模型上進(jìn)行打分判別;最終得到測試語音的說話人身份。
本實驗基于Kaldi的GMM i-vector說話人識別系統(tǒng)主要由4個步驟組成:數(shù)據(jù)列表準(zhǔn)備(scp文件)、特征提?。∕FCC提取特征及vad)、模型訓(xùn)練(UBM、T-matrix訓(xùn)練和i-vector提取)、打分判決(Cosine、LDA、PLDA),其流程如圖1所示。
4.2 實驗過程及結(jié)果分析
實驗測試中,首先采集了網(wǎng)站上20人的細(xì)微聲音判別記錄見表1,同一種細(xì)微聲音中,讓測試人員去聽該聲音是否是同一個人發(fā)出的,每個人聽3組同種細(xì)微聲音,最后提交表單,得到該20人的測試記錄錯誤率。由于網(wǎng)站上會對每個測試者選擇的音頻有記錄,然后將測試的音頻全部取出來,同種細(xì)微聲音的音頻放在一起,然后利用圖1所示的i-vector模型對細(xì)微聲音進(jìn)行判別,從而得出機(jī)器對該細(xì)微聲音的錯誤率,其結(jié)果見表2。
從實驗結(jié)果來看,4種細(xì)微聲音中,“嗯”的識別錯誤率最低,也就是“嗯”相對其他3種,其識別效果更好;另外從人機(jī)測試結(jié)果來看,細(xì)微聲音中對“嗯”“嘖嘖”“清嗓子”的識別準(zhǔn)確率,機(jī)器明顯優(yōu)于人類,然而對“清鼻子”的識別準(zhǔn)確率,人類優(yōu)于機(jī)器,由于不同測試者清鼻子變化多樣,人類可以根據(jù)語境及背景聲音是否一致來判斷是否為同一個人發(fā)出來的,而機(jī)器不可以這樣判斷,這個實驗結(jié)果也是在合理范圍內(nèi)的。
結(jié)語
說話人識別是語音識別的熱點之一。本文首先介紹了說話人識別研究的目的和意義以及發(fā)展概述。重點研究了基于Kaldi的GMM i-vector說話人識別系統(tǒng),對說話人識別系統(tǒng)的工作過程及其工作原理進(jìn)行了深刻的闡述,并著重探究了4種細(xì)微聲音的識別,通過人機(jī)測試的對比,得出了機(jī)器的識別效果明顯比人類的識別正確率要高的結(jié)果。由于本實驗探討的是在特殊情況下的說話人識別(嗯、嘖嘖、清嗓子、清鼻子),因此探討了基于i-vector說話人識別系統(tǒng)在各種極端情況下的工作情況?;蛟S以后說話人識別不再需要說出一大段文字,而是直接發(fā)出幾種聲音就可以實現(xiàn)識別。
參考文獻(xiàn)
[1]談建慧.基于深度學(xué)習(xí)的語音識別研究[D].廣西:桂林電子科技大學(xué),2016.
[2]陳強(qiáng).基于GMM的說話人識別系統(tǒng)研究與實現(xiàn)[D].湖北:武漢理工大學(xué),2010.
[3]周利鋒.人工神經(jīng)網(wǎng)絡(luò)的概念[J].醫(yī)學(xué)信息(上旬刊),1998(11):8-10.
[4]馬平.基于i-vector的穩(wěn)健說話人識別研究[D].新疆:新疆大學(xué),2016.