完全无监督的双人对话中的说话人分隔.pdfVIP

信号处理 完全无监督的双人对话中的说话人分隔 司罗 胡起秀 金琴 (清华大学计算机科学与技术系，100084) Email：siluo@263．netxxs-dau@mail．tsinghua．edu．cnjin_qin@263．net 商嘲：说话人识别的一个重要用途是在司法领域，包括电话信道罪犯缉拿，法庭中电话录音信息的身份确 认，电话语音跟踪等。在这种应用下，所要处理的数据通常是对话数据．应用要求对这些数据进行处理从而 确定有谁参加了对话，说了些什么内容等等。要给出这些问题的答案，首先就要进行对话语流中说话人的分 隔处理．然后『辱进行说话人识别或说活内容识别。本文介绍了我们对这一问题的探索：将问题简化为完全无 监督的双人对话中的话者分隔。既采用了传统的LBG技术，也采用了自己提出的模糊语音段提取技术，取得 了较好的实验成果，为今后进一步研究奠定了基础。 一．问题的提出 对话语流中的说话人分隔就是给定一段语音信号，它是有多位说话人参加的一段对话语流a刹们的任 务是要将连续的对话语流分成一段一段单独由一位说话人发出的语音段，确定说话人与说话人之间的间隔， 识别出诸位参加对话的说话人中我们感兴趣的说话人， 并提取出由每一位说话人参加的每段对话。这一问题 可以分为完全有监督，部分有监督，以及完全无监督． 完全有监督就是我们已经拥有对于参加对话的说话人 的先验知识，也就是己经有了这些说话人的训练数据， 那么这一问题就可以按照闭集说话人识别的方法来处 理。部分有监督就是已经拥有参加对i舌的部分说话人的先验知识，那么这一问题可以按照开集说话人识别的 方法来处理。对于完全无监督的情况是晟难也是实际应用中最普趋的情况，没有说话人的任何先验的数据， 因此4i可能作预先的训练。这一问题实际上涉及到一系列相关的问题：如何切分得到语音段和噪声段或静音 段的分离，如何将小『司的语音段归属于不同的说话人，如何选择更有效的说话人个性特征，如何处理噪声和 信道变化所带来的影响，如何进行距离测度，如何进行模型匹配等等。可以说这是一个很有挑战性的研究课 题．近期来受到了人们的重视『I][2113】． 基本思路 对十这一复杂的研究问题，我们决定把问题简单化，简化成这一问题的子问题，即首先解决完全无监督 的双人对话中说话人的分隔问题。事先确定参加对话人数将使问题简单化．在解决完全无监督的双人对话中 说话人的分隔问题对，我们主要采用了基于矢量量化v0的方法。下面介绍这种方法。 无论使用何种方法，都要首先将语音段与噪音段或静音段分开。我们采用能量和过零率作为区分的标准 (其中在计算过零率时，采用了将小于一定阈值的语音数值视为零的方法，这样可以避免计算静音段中的过 霉串)。在将语音段与噪音段或静音段分开之后，我们作了这样的假设，认为噪音或静音段是曲位说话人的 语旨段的分界段，即我们认为他们对话的模式为： 信号处理 239 说话人l 静占段 说话人2 静音段 说话人1 静音段 即说话人I和说话人2的语音段以静音段为间隔交替出现。这样的假设在某些情况下司能是错误的，冈为很 有可能d：一个人语音段中包含着一个静音段或两位说话人的衔接中没有静音段．尽管存在着这样的问题，我 们至少可以把语音段分为两类，其中一类含某位说话人的成分多一些(比如说话人1)，认为属十说话人I． 另一类属于说话人2。这样我们就可以从这两个初始分类锝到两个胡始模型，模型l和模型2．分别对应说 话人1和说话人2。然后用这两个初始模型对所有语音段重新进行分类．于是又得到两个新的模型l和模型 2。这样反复进行，直到聚类收敛到一个较好的值。这时我们就将所有语音段以较高可信度，分为属于说话 人I的语音段和属于说话人2的语音段。然后我们就可以利用传统的说话人辨认或说话人确认的方法进行识 别r。 方法描述 初始化 我们用下面的方法进行语音段和静音段的分隔 0 ifSE(M