说话人识别技术研究

说话人识别技术研究

马　建　郭建东

(电子科技大学计算机学院四川成都610054)

【摘　要】　说话人识别,是指通过说话人的语音来自动识别说话人的身份,它主要包括特征提取和模式匹配两个部分。随着计算机技术和人工智能的发展,通过说话人识别实现特定场合的实体鉴别已经具有非常重要的研究和应用价值。

【关键词】　说话人识别;说话人辨认;说话人确认

人类语言的产生是人体语言中枢与发音器官之间一个复

杂的生理物理过程,人在讲话时使用的发声器官———舌、牙齿、

喉头、肺、鼻腔在尺寸和形态方面每个人的差异很大,所以任何

两个人的声纹图谱都有差异。每个人的语音声学特征既有相

对稳定性,又有变异性,不是绝对的、一成不变的。这种变异可

能来自生理、病理、心理、模拟、伪装,也可能与环境干扰有关。

尽管如此,由于每个人的发音器官都不尽相同,因此在一般情

况下,说话人的鉴定仍能区别不同的人或法定是同一人的声

音,从而可以进行个人身份识别。

说话人识别(Speaker Recognition),根据应用环境不同可

分为两类,即说话人辨认(Speaker Identification)和说话人确认

(Speaker Verification)。说话人辨认是通过一段语音确认身份

的过程,在说话人辨认中,我们需要将待识声音和已知人群中

的每一个人的特征逐一进行比较,从中辨别出说话人,系统的决策选择数目为说话者的数目。因此,说话人辨认系统的性能是随着说话人集合的规模增大而降低。说话人确认是证实某一说话人是否是他所声称的身份的过程。在说话人确认中,只需将待识声音与注册说话人自己的模型比较,以确定是否是注册者本人的声音,系统只需给出正确或错误两种选择。因此,说话人确认系统的性能是与说话人集合的规模无关。两类系统的不同之处如表1所示。

表1　说话人识别的两类系统比较[1]

说话人辨认说话人确认

说话人未必合作说话人主动合作

存在发音伪装问题存在发音模仿问题

必须与N个已知模式进行比较只需与一个已知模式进行比较系统响应可以缓慢系统响应必须快速

词汇表可以各个不相同词汇表限于标准试验短语

通道特性可能不良或不同通道特性往往可以调整

信噪比可能太低信噪比通常可调

与语音识别不同的是,说话人识别利用的是语音信号中的说话人信息,而不考虑语音中的字词意思,它强调说话人的个性;而语音识别的目的是识别出语音信号中的言语内容,并不考虑说话人是谁,它强调共性。

说话人识别可能被用三种方式进行:文本相关的(

Text-Dependent)、文本提示的(Text-Prompted)和文本无关的(Text -Independent)三种。与文本有关的说话人识别系统要求用户按照规定的内容发音,每个人的声音模型逐个被精确地建立,而识别时也必须按规定的内容发音,因此可以达到较好的识别效果,但系统需要用户配合,如果用户的发音与规定的内容不符合,则无法正确识别该用户。而与文本无关的识别系统则不规定说话人的发音内容,模型建立相对困难,但用户使用方便,可应用范围较宽。无论是与文本有关还是无关,系统都面临一个共同的问题,即无法区分一个声音是现场声音还是录音。但文本提示的说话人识别系统可以有效地避免这种情况发生。具体实现时,可采用随机或其他方法来生成提示文本,如随机的数字串或句子,以使假冒者无法事先录音。

在说话人辨认方面,根据待识别的说话人是否在注册的说话人集合内,说话人辨认可以分为开集(open-set)辨认和闭集(clo se-set)辨认。闭集的说话人辨认是指系统具有这样的先验知识;测试的说话人肯定是训练集中出现过的说话人。而开集的说话人辨认则指所测试的说话人还有可能是训练集中没有出现过的人。开集的说话人辨认和说话人确认通常都通过一个阈值来判断测试的说话人是不是在训练集中。

说话人识别系统主要包括两个部分:特征提取和模式匹配(如图1所示)。特征提取的任务是选取惟一表现说话人身份的有效且稳定可靠的特征;模式匹配的任务是对训练和识别时的特征模式进行相似性的匹配。

图1　说话人识别系统的典型结构

特征提取

说话人的模型不是由语音信号得到的,而是通过从语音信号中提取特征而得到的,是说话人语音特征的模型。测试音只有在经过特征提取后才与说话人的模型进行比较和匹配,训练语音也只有进行语音特征提取后才能得到其特征的模型,因此特征提取是说话人识别系统中的重要组成部分。

与计算机处理相对应,可以将人类的声音特征划分为以下三个层次:声道声学层次,在分析短时信号的基础上,抽取对通道、时间等因素不敏感的特征;韵律特征层次,抽取独立于声学、声道等因素的超音段特征,如方言、韵律、语速等;语言结构层次,通过对语音信号的识别,获取更加全面和结构化的语义信息。说话人识别系统主要针对较低层次的声道声学特征进行建模,主要有基音(Pitch)周期、共振峰(Format)、基于线性预测(Linear Predictive)的倒谱(Cep strum)、基于付氏变换的FFT 倒谱、基于语音信号的滤波器组分析的Mel倒谱和语音谱的过渡信息(Transitional In formation)等。

总之,较好的特征提取,应该能够有效地区分不同的说话人,但又能在同一说话人语音发生变化时保持相对的稳定;不易被他人模仿或能够较好地解决被他人模仿问题;具有较好的抗噪性能等等。

模式匹配

测试音的特征与说话人模型进行匹配,计算匹配距离。说话人确认时,只与所声称的说话人的模型进行匹配和匹配距离计算;说话人辨认时,与所有人的模型进行匹配和匹配距离计算。

目前针对各种特征而提出的模式匹配方法的研究越来越深入,大致可归为三类:基于非参数模型的方法、基于参数模型

8福　建　电　脑 2005年第1期