基于分数规整发音方式鲁棒说话人识别研究.pdfVIP

NCMMSC’2009 ，8 月 14－16 日，新疆乌鲁木齐 基于分数规整的发音方式鲁棒的说话人识别研究* 王琳琳，张利鹏，徐明星 (清华大学计算机科学与技术系； 智能技术与系统国家重点实验室； 清华信息科学技术国家实验室, 北京 100084) 文 摘： 实际环境下，一个说话人识别系统的性能受到很多因素的影响，说话人自身发音方式的变化所引起的训练 与识别语音的不匹配是其中很重要的一个方面。本文以一个含有多种发音方式变化的数据库为基础，对于不限定发音 方式变化类型的情形，在分数域提出了一系列发音方式分数规整（S-Norm）的解决方法。实验结果表明，SZ-Norm、 ST-Norm 及 SZT-Norm 的做法均使系统的整体性能在基线基础上有了明显提高，尤其是在 SZT-Norm 的情况下等 错误率下降约为 26% ，这说明基于分数规整的方法是有效的。 关键词：说话人识别；鲁棒性；发音方式；分数规整 中图分类号： TP 391 方式是很困难的；此外，发音变化也是多种多样 1 引言 的，不可能事先进行限定。然而，现有的研究通 说话人识别是依据语音中所包含的说话人 常是专注于发音方式变化的某个特定方面，对于 特定信息来自动识别说话人身份的生物认证技 如何用更通用的方法来解决多种发音方式变化的 术。说话人识别系统的性能受很多因素的影响， 鲁棒性问题，研究较少。本文以一个含多种发音 例如，环境、录音和信道条件，说话人自身特征 方式变化数据库[16]为基础，对于不限定发音方 （比如，方音、重音、说话方式、情感等）以及 式变化类型的情形，提出发音方式分数规整 语种等。这些因素在训练和测试上的不匹配会导 （Speaking-style Normalization, S-Norm）的解决 致说话人识别系统性能的下降。这些不匹配情况 方法。 分为两类：一是与说话人无关的不匹配，如，环 本文内容的组织结构如下：第2 部分简要介 境、录音或信道的不匹配；二是说话人自身发音 绍说话人识别中的分数规整方法；第 3 部分阐述 方式变化引起的不匹配。说话人识别领域的大部 S-NORM 方法的基本原理；第 4 部分详细介绍实 分研究集中于第一类，例如比较突出的跨信道问 验设置和实验结果；第 5 部分是对本文研究工作 题。不过，近些年来，发音方式变化对说话人识 的总结。 别的影响也引起了越来越多的关注。 2 说话人识别中的分数规整方法 发音方式的变化是多种多样的，涉及到情 感、音量和语速等多个方面。很多科研人员研究 说话人识别是依据说话人语音中所含有的 了情感变化对说话人识别的影响[1~6]；对于音量 说话人个性信息进行身份辨认的，而语音中除了 发生变化，文献[7]研究了耳语、轻声、正常、大 说话人的个性信息，还包含了其他信息诸如语义 声说话以及喊叫等五种发音方式；还有在语速快 信息、信道信息、环境噪音以及反映说话人共性 慢方面进行研究[8，9] ；双语问题也是一个研究 的一般信息等。所谓分数规整，即通过大量与目 热点[10~14]。此外，说话方式的变化，如自然发 标说话人相近的集外说话人语音估