GMM_UBM和VM说话人辨认系统及融合的分析.pdfVIP

NCMMSC2007 GMM-UBM 和 SVM 说话人辨认系统及融合的分析 鲍焕军，郑 方 （清华大学 信息技术研究院 语音和语言技术中心 北京 100084 中国） 文 摘：在说话人辨认任务中，高斯混合模型-通用背景模型（Gaussian mixture model-universal background model， GMM-UBM ）采用帧向量进行建模和识别，突出了说话人个性特征，但受信道影响较大；支持向量机（support vector machine， SVM ）利用帧向量在空间中分布的高斯混合的均值进行建模和识别，对信道的鲁棒性较好，但对说话人的个性体现不够。 本文分析了这两种说话人识别系统的优缺点，并采用融合方法来提高系统的性能。在 NIST 评测数据集的实验中，融合系统 的等错误率从GMM-UBM 系统的 9.30 ％和SVM 系统的 8.26 ％降低到7.34 ％，分别相对降低了21.08 ％和 11.14％。 关键词：信息处理；说话人辨认；高斯混合模型-通用背景模型；支持向量机；信道鲁棒 中图分类号：TP 391 GMM-UBM[1] 是说话人辨认系统最为常用的 关的说话人识别。因此，自上世纪末以来，GMM 一种模型，自 1999 年以来的历届 NIST 说话人确认 在文本无关说话人识别领域占据了统治地位。 评测中，GMM-UBM 系统都表现出了相当的优越 在实际应用系统中，用于训练的语音往往比较 性。近年来基于 GMM-UBM 也提出了一些有效的 短（数十秒），有限的训练语音不能很好代表说话 信道鲁棒性算法，例如隐藏因子分析（latent factor 人所有可能的发音情况，因而训练出的模型就不能 analysis，LFA ）[2]，它基于对语音中信道因子进行 很好地表征说话人的个性特征，从而影响系统的识 估计并对模型进行补偿的思想，在跨信道处理上取 别性能。为此，人们在高斯混合模型的基础上，引 得了较好的性能。 入通用背景模型（universal background model ， 以 高 斯 超 向 量 （ Gaussian mixture UBM ）[1]：采用数百人、信道均衡（涉及不同信 model-supervector ， GMM-Supervector ）[2]为特征 道）、男女声均衡（男女共用一个通用模型）的足 输入，采用 K-L （Kullback-Leibler ）线性核函数[3] 够多的语音训练一个高阶的 GMM，以描述说话人 的 SVM[4]说话人辨认系统，在性能方面较之传统 无关的特征分布。这样，短的训练语音未覆盖到的 的针对帧向量进行建模和识别的 SVM 系统有了很 部分就可以用 UBM 中说话人无关的特征分布近 大的提高，而且也达到了和 GMM-UBM 系统相当 似，减小训练语音太短带来的影响。 的水平。特别是近年来所提出的干扰属性消除 NIST’1999 的 说 话 人 确 认 评 测 以 来 ， （nuisance attribute projection ，NAP ）[4,5]，不仅算 GMM-UBM 系统由于其出色的识别性能，成为了文 法复杂度较低，而且其性能可以与 LFA 相媲美。 本无关说话人确认的最主流的方法。但是由于 GMM-UBM 系统通过帧向量进行建模和识别, GMM-UBM 系统采用高阶的高斯混合模型为说话 而 SVM 系统通过帧向量在空间分布的各混合的均 人建模，识别时运算量很大，所以没有应用到说话 值进行建模和识别，这两种模型方法各有特点，但 人辨认中。而基于树的核心挑选算法（tree-based