录音资料中的语者切割与分群Speaker Segmentation and Clustering .PDF

錄音資料中的語者切割與分群 Speaker Segmentation and Clustering for the Recorded Speech 蘇峻慶 、王小川 Chun-Ching Su and Hsiao-Chuan Wang 國立清華大學電機工程 學系 Department of Electrical Engineering, National Tsing Hua University Email: g923990@oz.nthu.edu.tw hcwang@ee.nthu.edu.tw . 摘要 本論文主要在探討錄音資料中語者切割與語者分群的問題，在語者切割方面 ，採用三個步 驟 ，第一步是利用貝氏資訊準則約略找出語者轉換點 大概的位置，第二步利用交叉偵測法作精確 化 ，第三步再確認是否為轉換點 ，實驗上顯示此方法 擁有運算量少及高準確率的優點。在語者分 群方面 ，群集之語者模型採用高斯混合模型 ，音段與每 一個群集模型作最 大概似法估測，找出最 靠近之群集 ，然後再利用一個門檻值判斷是要合併或是 分離出新的群 集。實驗結果顯示音段群中 包含語者數愈多 ，其整體分群效能愈低。 關鍵詞 ：語者切割 、語者分群 、語者轉換點偵測 、群集模型 一、緒論 語言是人類溝通及傳達意念最自然的方法 ，語音訊號不只包含了說話者所要表達的意思 ，更 是隱含了說話者的個人特徵 ，因此在一段語音信號中 ，我們不僅要能夠聽出其中所要表達的意 思 ，更要知道這一段話究意是誰所講的 。 近年來從有線或無線網路上以語音擷取資訊的應用增加 ，身份確認或說話人辯識變得更為重 要 ，愈來愈 多人投入自動語者辨識的研究領域。在多人說話的環境下 ，變成需要先對語音做分段 ， 然後再辨認各個音段是誰在說話 因此， 就需事先作切割與分群 。舉例來說，在一個重要會議場合 的錄音 ，其內容包含若干人的談話 ，若想將這些語者的語音訊號分開 ，利用人工方法是既費時又 不經濟 ，因此有必要發展 出一套正確率高，速度又快的切割與分群方法 。 過去已有許多語者切割的方法被提出 [1][2] ，而這些被提出的方法大致可分類為以解碼為基 礎 之切割法(Decoder-Guided Segmentation) 、以模型為基礎之切割法(Model-based Segmentation) 、 以及以距離為基礎 之切割法(Metric-Based Segmentation) 。以上三種方法都有其優缺點，像 以解碼 為基礎之切割法，只能粗略地分類出語音 、音樂 、靜音等 ，並無法用來偵測出語者轉換點的位置。 以模型為基礎之切割法，需要事先搜集相關語料建立相對應的模型 ，這並不符合實際 。以距離為 基礎之切割法 ，則 需設定門檻值(Threshold Value) 來決定語者轉換點的位置 ，因此缺少穩定性 (Stability)和強健性(Robustness) 。 語者 分群是一個活躍多年的研究領域 ，大致上在作語者分群時有幾個基本的問題[3] ： 1. 聚集(agglomeration) ：對一群音段作語者分群時 ，其形成群 集的 方式有兩種，一種是凝聚 ， 另一種是 分裂。 2. 停止準則 (stopping criteria) ：在作語者分群時 ，通常是不曉得音段群裡包含多少個語者 ，因此 需設立一個停止準則 ，當群 集數達到此一停止準則 ，即停止再分新群 。 3. 距離量測 (distance measures) ：利用一個距離量測的方法 ，用以決定所偵測的音段是屬於哪一 群 。 本文在語者切割方面，採用三個步驟，第一步是利用貝氏資訊準則約略找出語者轉換點 大概 的位置 ，第二步利用交叉偵測法作精確化 ，第三步再確認是否為轉換點 ，實驗上顯示此方法 擁有 運算量少及高準確率的優點 。在語者分群方面 ，群集之語者模型採用高斯混合模型 ，音段與每個 群集模型作最大概似法估測 ，找出最靠近之群集，然後再利用一門檻值判斷是要合併或是分離出 新的群集 。 本文內容 安排如下 ：第二