李政儀, 宮二玲

(1.長(zhǎng)沙民政職業(yè)技術(shù)學(xué)院 軟件學(xué)院,湖南 長(zhǎng)沙 410004; 2.國(guó)防科技大學(xué) 智能科學(xué)學(xué)院,湖南 長(zhǎng)沙 410073)

0 引 言

每個(gè)人的聲音特征與說(shuō)話習(xí)慣存在差異，語(yǔ)音具有明顯的區(qū)分性，因此可以作為身份識(shí)別工具。這涉及到聲紋識(shí)別技術(shù)，即通過(guò)對(duì)一種或多種語(yǔ)音信號(hào)的特征分析對(duì)未知聲音進(jìn)行辨別，簡(jiǎn)而言之就是辨別某一句話是否是某一個(gè)人所說(shuō)的方法[1]。根據(jù)在驗(yàn)證階段的說(shuō)話內(nèi)容是否是識(shí)別系統(tǒng)所規(guī)定的，可以分為與文本相關(guān)的和與文本無(wú)關(guān)的，前者是識(shí)別系統(tǒng)規(guī)定說(shuō)話人所說(shuō)的內(nèi)容為已知，也就是說(shuō)話人的語(yǔ)句是固定的或者是由系統(tǒng)提示的，后者則不限制說(shuō)話人所說(shuō)的內(nèi)容[1]。

本文旨在利用聲紋識(shí)別技術(shù)，設(shè)計(jì)一個(gè)文本相關(guān)的嵌入式語(yǔ)音鎖，并分析不同的聲紋特征、噪聲水平對(duì)于識(shí)別結(jié)果準(zhǔn)確性的影響，為下一步的實(shí)際應(yīng)用奠定基礎(chǔ)。

1 問(wèn)題描述

一個(gè)嵌入式的對(duì)講設(shè)備，配置一個(gè)麥克風(fēng)，擬增加一個(gè)語(yǔ)音鎖的功能。注冊(cè)時(shí)，自動(dòng)生成一個(gè)隨機(jī)的8位數(shù)密碼，注冊(cè)人錄入2遍作為訓(xùn)練樣本；驗(yàn)證時(shí)，設(shè)備顯示密碼，并由驗(yàn)證人讀出，判斷是否通過(guò)驗(yàn)證。

目前常用的聲紋識(shí)別算法可以分為三大類(lèi)[1]：1)模板匹配法：利用距離測(cè)度，對(duì)訓(xùn)練好的特征矢量集合和待測(cè)矢量進(jìn)行比較，距離越近，說(shuō)明一致性越好。常用的算法有動(dòng)態(tài)時(shí)間規(guī)整、矢量量化(vector quantization，VQ)等。2)概率模型法:根據(jù)特征矢量的統(tǒng)計(jì)特性建立數(shù)學(xué)模型，從統(tǒng)計(jì)學(xué)的角度進(jìn)行匹配識(shí)別。常見(jiàn)方法包括隱馬爾可夫模型、高斯混合模型等。3)人工智能算法:以深度學(xué)習(xí)方法為主，如深度神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法。這種方法需要海量數(shù)據(jù)支持，是一種數(shù)據(jù)驅(qū)動(dòng)方法。

由于嵌入式系統(tǒng)的計(jì)算能力有限，因此，對(duì)于本問(wèn)題而言，計(jì)算量小的模板匹配法是最為適合的。本文擬采用VQ方法進(jìn)行聲紋鎖的設(shè)計(jì)。

2 設(shè)計(jì)流程

2.1 VQ算法概述

VQ算法的基本原理是將若干個(gè)標(biāo)量數(shù)據(jù)組構(gòu)成一個(gè)矢量，然后在矢量空間進(jìn)行整體量化，能夠壓縮了數(shù)據(jù)而不損失過(guò)多信息。1980年，Linden Y等人提出一種基于訓(xùn)練序列的VQ設(shè)計(jì)算法，繞開(kāi)了多維積分的求解，由于其廣泛的適用性，該方法被命名為L(zhǎng)BG-VQ的算法[2,3]。

VQ算法中的基本概念包括碼矢和碼書(shū)。碼矢是所有特征矢量的分類(lèi)中心矢量，可用一個(gè)k維向量cn=(cn,1,cn,2,…,cn,k),n=1,2,…,N表示。所有碼矢的集合稱(chēng)為碼書(shū)，用C={c1,c2,…,cN}表示。VQ算法的核心就是在給定訓(xùn)練樣本集合T和碼矢數(shù)量N的前提下，找到能夠使得平均失真度最小的碼書(shū)C。LBG-VQ算法交替地調(diào)整空間劃分P和碼書(shū)C，使失真度不斷地趨向于局部最小值。在算法初始化階段，可通過(guò)分裂方法得到一個(gè)初始的碼書(shū)C(0)。具體流程可參見(jiàn)文獻(xiàn)[2,3]。

2.2 識(shí)別流程

典型的聲紋識(shí)別流程包括語(yǔ)音信號(hào)預(yù)處理、特征提取、模型訓(xùn)練和特征識(shí)別。語(yǔ)音信號(hào)預(yù)處理包括預(yù)加重、加窗分幀和端點(diǎn)檢測(cè)等；特征提取包括特征選擇和頻域變換等；模型訓(xùn)練就是根據(jù)提取到的特征，訓(xùn)練出說(shuō)話者的模型；特征識(shí)別則是針對(duì)一個(gè)輸入的語(yǔ)音，判斷屬于哪個(gè)說(shuō)話者。

2.2.1 語(yǔ)音信號(hào)預(yù)處理

首先，對(duì)語(yǔ)音信號(hào)進(jìn)行預(yù)加重，提升高頻部分，使得在低頻到高頻的整個(gè)頻帶中，信噪比基本一致。通常是將語(yǔ)音信號(hào)通過(guò)一個(gè)高通濾波器H(z)=1-μz-1。本文中，μ=0.975。其次，進(jìn)行語(yǔ)音加窗分幀。通常認(rèn)為語(yǔ)音信號(hào)在10～20 ms內(nèi)是平穩(wěn)的。因此，可按照這一個(gè)時(shí)間段進(jìn)行分幀，分幀過(guò)程通常取重疊分段，重疊部分稱(chēng)為幀移。本文幀移設(shè)定為50 %。加窗可以減少截?cái)嘈?yīng)對(duì)于分幀的影響，避免頻譜泄漏，本文采用漢寧窗。最后，進(jìn)行端點(diǎn)檢測(cè)，消除噪聲段、靜音段等無(wú)效片段，保留有效語(yǔ)音片段。本文采用雙門(mén)限檢測(cè)方法，根據(jù)短時(shí)能量和短時(shí)過(guò)零率進(jìn)行聯(lián)合檢測(cè)，具體方法可參見(jiàn)文獻(xiàn)[1,4]。

2.2.2 特征提取

常用的語(yǔ)音特征參數(shù)包括線性預(yù)測(cè)倒譜系數(shù)、梅爾頻譜倒譜系數(shù)(Mel frequency Cepstrum coefficient, MFCC)和感知線性預(yù)測(cè)系數(shù)等[5]。其中，MFCC是最為常用的，首先通過(guò)Mel濾波器組轉(zhuǎn)換為Mel頻譜，再進(jìn)行倒譜計(jì)算，具體過(guò)程可參見(jiàn)文獻(xiàn)[5～8]。MFCC可反映語(yǔ)音信號(hào)的靜態(tài)特性，但人耳對(duì)語(yǔ)音信號(hào)的動(dòng)態(tài)特性比較敏感，所以，可以取MFCC的差分來(lái)增強(qiáng)特征參數(shù)的動(dòng)態(tài)特性，包括一階差分和二階差分。本文采用了12階MFCC系數(shù)和12階MFCC一階差分作為特征，組成一個(gè)24維特征矢量。

2.2.3 模型訓(xùn)練與識(shí)別

利用2.1節(jié)中提到的VQ算法，針對(duì)提取到的特征矢量進(jìn)行訓(xùn)練，得到該說(shuō)話者的模型，即碼本。碼本模型的訓(xùn)練算法可參見(jiàn)文獻(xiàn)[9]，此處不再贅述。

3 系統(tǒng)實(shí)現(xiàn)

3.1 數(shù)據(jù)準(zhǔn)備

利用對(duì)講設(shè)備的麥克風(fēng)錄制了10個(gè)人聲音，6男4女，每人讀一個(gè)各不相同的,8位數(shù)字，重復(fù)3遍。前兩遍作為訓(xùn)練數(shù)據(jù)，最后一遍作為測(cè)試數(shù)據(jù)。采樣頻率為8 kHz，編碼位數(shù)為16位。

3.2 算法實(shí)現(xiàn)與結(jié)果分析

首先，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，幀長(zhǎng)設(shè)定為256，幀移為50 %，進(jìn)行端點(diǎn)檢測(cè)，某一個(gè)語(yǔ)音段端點(diǎn)檢測(cè)結(jié)果如圖1所示?？梢钥闯觯诘谝欢握Z(yǔ)音中，漏檢了部分語(yǔ)音段，但在第二段語(yǔ)音中得到了較好的彌補(bǔ)。同時(shí)，基本上排除了絕大部分靜音段。由于是貼近麥克風(fēng)錄音，語(yǔ)音信號(hào)的信噪比較高。

圖1 語(yǔ)音端點(diǎn)檢測(cè)結(jié)果

接下來(lái)，提取MFCC及其一階差分，組成24維的特征矢量，利用VQ算法進(jìn)行訓(xùn)練。碼矢數(shù)量N需要通過(guò)調(diào)試確定，令N=8,16,32,48,46，分別訓(xùn)練模型，利用測(cè)試數(shù)據(jù)進(jìn)行測(cè)試，N=8時(shí)，部分說(shuō)話者的測(cè)試數(shù)據(jù)無(wú)法通過(guò)驗(yàn)證；其他碼矢數(shù)量均能準(zhǔn)確通過(guò)測(cè)試。10個(gè)說(shuō)話者均開(kāi)展50次測(cè)試，每驗(yàn)證成功一次則記一次識(shí)別成功；如果將說(shuō)話者A識(shí)別為10個(gè)說(shuō)話者中的其他9人，則記一次誤識(shí)(錯(cuò)誤接受)；如果認(rèn)為說(shuō)話者不屬于10個(gè)人中的任意一個(gè)，則記一次拒收。統(tǒng)計(jì)結(jié)果如表1所示。

表1 不同碼書(shū)數(shù)量下的識(shí)別效果

可以看出，碼書(shū)數(shù)量增加，識(shí)別效果明顯提升，當(dāng)N≥48之后，識(shí)別效果提升并不明顯，甚至還出現(xiàn)稍微下降，可能是存在過(guò)擬合的原因。此外，碼書(shū)數(shù)量的增加，會(huì)導(dǎo)致訓(xùn)練和識(shí)別的計(jì)算量增加。因此，綜合考慮識(shí)別效果和計(jì)算效率，將碼書(shū)數(shù)量設(shè)定為N=48。

將聲紋特征由“MFCC+一階差分”調(diào)整為單純的MFCC，碼書(shū)數(shù)量N=48，繼續(xù)進(jìn)行上述測(cè)試，可得識(shí)別成功率為88.2 %，說(shuō)明一階差分的加入，對(duì)于提升識(shí)別準(zhǔn)確率是非常有幫助的。

理論上說(shuō)，訓(xùn)練信號(hào)和測(cè)試信號(hào)的信噪比越高，識(shí)別效果就會(huì)越好。當(dāng)信噪比下降時(shí)，語(yǔ)音端點(diǎn)檢測(cè)會(huì)出現(xiàn)問(wèn)題，導(dǎo)致噪聲段被當(dāng)作語(yǔ)音段進(jìn)入了訓(xùn)練模型。通過(guò)人為給10段訓(xùn)練數(shù)據(jù)增加白噪聲，使其信噪比分別為20,10,0,-10,-20 dB時(shí)進(jìn)行訓(xùn)練，并利用原始測(cè)試數(shù)據(jù)進(jìn)行測(cè)試，可得不同信噪比下準(zhǔn)確識(shí)別次數(shù)，如圖2所示?？梢?jiàn)當(dāng)信噪比下降時(shí)，準(zhǔn)確率明顯下降，當(dāng)下降到一定程度(0 dB)時(shí)，基本上無(wú)法正常訓(xùn)練和識(shí)別了。這說(shuō)明在錄入訓(xùn)練數(shù)據(jù)時(shí)，必須保證一定的信噪比。可采用消噪算法進(jìn)行適當(dāng)處理[10]。

圖2 信噪比與識(shí)別率之間的關(guān)系

將算法移植到嵌入式平臺(tái)后，可以正常運(yùn)行，證明算法的運(yùn)算量可以滿足嵌入式平臺(tái)的需求。

4 結(jié) 論

設(shè)計(jì)了一種文本相關(guān)的語(yǔ)音鎖。通過(guò)提取語(yǔ)音的MFCC及其一階差分特征，利用VQ算法，訓(xùn)練說(shuō)話者的語(yǔ)音特征模型，并據(jù)此開(kāi)展說(shuō)話者識(shí)別。實(shí)驗(yàn)結(jié)果表明，在一定的信噪比下，碼本數(shù)量N=48時(shí)，識(shí)別準(zhǔn)確率可保證在95 %的水平，滿足工程實(shí)用性要求。