说话人识别技术在网络视听内容监管中的应用.pdfVIP

Video Audio 视音频技术 说话人识别技术在网络视听内容监管中的应用 文/国家新闻出版广电总局573台 高志恒 两类 ：一类基于高斯混合模型，另一 虽 然 上 述 两 种 模 式 都 能 极 大 提 类基于支持向量模型。 高说话人识别的速度，但是这两种模 摘要 ：本文结合网络视听内 然而，常见的说话人识别技术尚 式仍然是一种线性时间复杂度的算法， 容监管业务，提出了一种基于度 无法直接应用于网络视听内容的监管 当候选模型达到几十万或者上百万时， 量空间聚类的说话人识别技术应 中，其原因有以下两点。 其计算所需时间也随之急剧增加。 用思路，并搭建了追踪系统进行 （1）开放域识别 此外，非线性时间复杂度说话人 验证。 面向网络视听内容的说话人识别 识别技术方面，最常用的技术为基于度 属于开放域识别问题，不同于传统受 量空间索引的技术 [3,4] ，该技术通过在 关键词 ：网络视听内容监管 限领域的说话人识别，网络视听内容 高维空间对模型建立索引结构，如树索 说话人识别 度量空间 体量大、来源广泛、更新快，任何在 引、VA-File 索引等，来提高识别的 视听内容中出现的说话人都是可能的 实际效率。但是大多数度量空间索引技 候选说话人，基本可认为是一个开放 术都只能利用数据之间的相对距离和三 1 引言 域说话人识别问题。 角不等式进行空间的过滤，由于维数灾 不同于传统广播电视视听内容的 （2）效率 难的存在，当空间维数很高时，度量空 监管，互联网视听内容具有体量大、来 常见的说话人识别技术无法解决 间索引技术带来的速度提升比较有限， 源广泛、传播速度快、生命周期短、内 开放域识别面临的效率问题。常见的 这也是该技术的一个显著瓶颈。 容良莠不齐等特点，大大增加了监管 基于高斯混合模型或基于支持向量模 综上所述，常见的说话人识别技 难度。在网络视听内容的日常监管中， 型的说话人识别在得分计算时，仍采 术在应对网络视听内容监管领域的说 监管部门往往需要监测视听内容中是 用似然得分计算方式，说话人识别系 话人识别、跟踪问题时，无法解决其 否存在违规（涉毒、涉黄等）的相关 统的时间复杂度与候选模型的个数基 效率瓶颈问题，需要结合任务进行具 内容，传统的人工监听监看方式显然 本呈线性关系，随着待监管数据的增 体研究。 难以应对海量网络视听内容监管的挑 加，其计算量也急剧增加，严重影响 战。说话人识别是一种根据音频特征 系统的实际应用效果。 3 基于度量空间聚类的 对特定说话人进行认证、识别、追踪 针 对 大 规 模 开 放 域 的 说 话 人 识 说话人识别方法 的技术，利用该技术可以在网络视听 别速度问题，有人已经把“特征对模 3.1 技术路线 内容中自动判断是否存在特定人的音 型似然得分”的识别模式转换到“模