广播音频目标语音检测技术的研究①.docVIP

广播音频目标语音检测技术的研究① 　　[摘 要]针对广播电视新闻节目中的音频信息的特点,利用说话人检测技术,提出了目标语音的检测和定位算法,可以快速挖掘和定位特定发言人或主持人的相关信息,效果良好。 　　[关键词]说话人检测 对数似然比 高斯混合模型 　　[中图分类号]TP391 [文献标识码]A[文章编号]1007-9416(2009)11-00125-02 　　Research of Technologies on Target Speech Detection in Broadcast Audio 　　LV Lan-lan 　　Dept. of Computer and Communication Engineering, Hunan University of Science and Engineering, Yongzhou 425100, Hunan, China 　　[Abstract]Based on the technology of speaker detection, this paper proposes an algorithm for target speech detection in broadcast and TV news. It can rapidly detect and locate the position of anchorman or spokesman,and have good performance. 　　[Key Words]speaker detection log likelihood ratio Gaussian Mixture Model. 　　 　　1 说话人检测概述 　　 　　说话人检测是一种模式识别技术,基于人类声纹从音频信息中搜索目标说话人是否出现,是说话人识别领域相对而言较新的一个研究课题[1]。说话人检测系统通常采用基于高斯混合模型的与文本无关的说话人确认系统作为基线系统。在电视、广播等音频领域,应用说话人检测技术,实现目标语音的检测和定位,可以快速挖掘和定位特定发言人或主持人的相关音频信息[2]。 　　 　　2 目标语音检测算法 　　 　　首先为待检测的说话人建立目标说话人模型,同时建立背景模型[3]。给定一段待测试的广播音频,要在其中检测和定位目标语音,需要经过以下几个步骤: 　　步骤1:经过预处理后,对广播音频提取13维的LPCC特征参数,记为{xt}1≤t≤T。 　　步骤2:针对每一帧的特征参数xt,计算其在目标模型和背景模型下的对数似然比LLR(xt | )(记为LLR[t]),如式(1)所示。 　　LLR[t]=log(L(xt | ))-log(L(xt | ))(1) 　　其中,L(xt | )为该特征参数在目标模型下的似然率,而L(xt | )为该特征参数在背景模型下的似然率。 　　步骤3:使用251点的hamming 滤波h[t]对单帧对数似然比LLR[t]进行平滑处理,如式(2)所示。 　　 LLRsm[t] = LLR[t]?~h[t](2) 　　步骤4:每M帧作为一个语音段,利用这个语音段上的单帧似然比LLRsm[t],每隔N帧为该语音段计算一个判决得分,如式(3)所示。 　　(3) 　　本文实验中M取值32,N取值16,因为此时实验效果最好。此外,还要对计算出来的各段的得分序列Sj进行平滑处理。 　　步骤5:使用一个多阈值语音分割算法[3]对各段的得分序列Sj进行处理,从而对目标语音的各个片断的起点和终点进行估计,如图1所示。 　　图1中的垂直虚线表示实际的目标说话人语音片断的起点和终点,垂直实线则表示通过由多阈值语音分割算法检测出的目标说话人的各个语音片断的起点和终点。 　　 　　3 性能评价方法 　　 　　目前,通常要从以下两个方面来衡量目标语音检测的准确性。第一,从语音片断的层次上来衡量,对定位得到的目标说话人的语音片断,要判断其是否真的包含目标说话人。第二,在确定了检测出的语音片断的确属于目标说话人的情况下,还要从帧的层次上来衡量目标说话人定位的准确性,也就是将检测出的目标说话人的语音片断的起点和终点与手工标注的起点和终点进行对比。 　　为了方便描述实验结果,本文将使用语音片段层次上的漏检率[1](Segment-level Miss Detection Rate,记为SMDR)和误检率[1](Segment-level False Alarm Rate,记为SFAR)作为评价标准。 　　 　　4 实验结果 　　 　　实验数据是从CCTV新闻频道实时录制得到。实录测试语料共20个文件,单个文件长度为5分钟～30分钟不等,每个文件至少包含一个目标