基于说话人的音频分割与聚类_李稀敏.pdfVIP

心智与计算 139 心智与计算, Vol.4，No.2 (2010),139 - 147 文章编号：MC–2010 - 16 收稿日期：2010-04-01 出版日期：2010-06-30 © 2007 MC– 厦门大学信息与技术学院 基于说话人的音频分割与聚类 李稀敏，洪青阳，黄晓丹 （厦门大学智能科学与技术系，福建厦门 361005 ） qyhong@ 摘要：说话人分割与聚类主要应用于两个方面的问题，一方面可以用于自动语音识别的说话人自适 应；另一方面可用于说话人检索和富文本转录。主要包括三个过程：有效语音检测、说话人分割以及说 话人聚类。本文主要就这三个方面展开叙述，全面地介绍了各类算法。 关键词：有效语音检测；说话人分割；说话人聚类 中图分类号：TP 391 文献标识码：A Speaker Segment and Clustering LI Xi-min, HONG Qing-yang, HUANG Xiao-dan (Department of Cognitive Science, Xiamen University, Xiamen 361005, China) qyhong@ Abstract: In the literature one can normally find two main applications for speaker diarization. On one hand, Automatic Speech Recognition (ASR) systems make use of the speaker homogeneous clusters to adapt the acoustic models to be speaker dependent and therefore increase recognition performance. On the other hand, speaker indexing and rich transcription systems use the speaker diarization output as one of (possibly) many information pieces extracted from a recording, which allow its automatic indexation and other further processing areas. It mainly contains three processes, which are speech activity detection, speaker segment, and speaker clustering. This work reviews kinds of algorithms in the three aspects. Key words: speech activity detection ；speaker segment；speaker clustering 1 引 言 随着 IT 技术的发展，各类音频文档的获取途径越来越丰富，数据量呈爆炸式增长，从而对音频文 档的管理也越来越困难。近年来，人们开始研究音频检索技术① ，对电话语音、广播语音以及会议语音 等多媒体语音文档进行管理。其中，对会议语音的检索难度最大，因为会议语音文档中包含有多个信道、 更多的说话人。基于说话人的音频分割与聚类，就是将一段有多个人在说话的语音分割成多个片段，并 ① 音频检索技术，狭义上讲是结合基于内容和基于说话人的查询、检索已知的说话人和词语的技术。 基于说话人的音频分割与聚类 140