GMM說(shuō)話人建模的關(guān)鍵問(wèn)題研究.pdf

1、隨著計(jì)算機(jī)技術(shù)及人工智能等技術(shù)的發(fā)展，說(shuō)話人識(shí)別在近幾年也有了長(zhǎng)足的進(jìn)展。自從Reynolds提出將GMM(Gaussian Mixture Model，高斯混合模型)用于說(shuō)話人識(shí)別之后，GMM便一直是說(shuō)話人識(shí)別領(lǐng)域的研究熱點(diǎn)。盡管之后研究人員又提出了許多新的效果更好的說(shuō)話人識(shí)別方法，如GMM-SVM，JFA，i-vector等，但這些方法均基于GMM模型，系統(tǒng)中GMM模型性能的好壞直接關(guān)系著系統(tǒng)的識(shí)別性能，因此對(duì)GMM模型本身的研究十

2、分必要。
　　本文的主要研究?jī)?nèi)容如下:
　　第一，UBM背景模型數(shù)據(jù)選擇。UBM是說(shuō)話人識(shí)別系統(tǒng)的核心，在選擇背景說(shuō)話人數(shù)據(jù)時(shí)，通常的做法都是使數(shù)據(jù)覆蓋盡量多的說(shuō)話人、通道以及麥克風(fēng)類型，然而過(guò)多的數(shù)據(jù)中必然存在冗余，會(huì)增加UBM模型訓(xùn)練的復(fù)雜度。為了剔除冗余數(shù)據(jù)，Hansen提出在原始背景說(shuō)話人數(shù)據(jù)中選擇部分用于訓(xùn)練UBM的方法。本文在第三章首先驗(yàn)證了Hansen所提出的數(shù)據(jù)選擇方法的有效性，并且在其基礎(chǔ)上對(duì)其中的智能特征

3、選擇方法IFS采用跳幀方式改進(jìn)。NIST數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)證明，利用改進(jìn)的方法使得UBM訓(xùn)練時(shí)間由原來(lái)的3小時(shí)46分鐘縮短為9分鐘，在大大降低模型訓(xùn)練時(shí)間的同時(shí)，系統(tǒng)等錯(cuò)誤率EER有了0.47％的提升。
　　第二，基于GMM token配比相似度校正得分的說(shuō)話人識(shí)別方法。在實(shí)驗(yàn)中我們觀察到，不同說(shuō)話人的GMM token分布模式是不同的，而同一個(gè)說(shuō)話人相同內(nèi)容的語(yǔ)句的GMM token分布模式趨于一致，根據(jù)這一點(diǎn)我們提出了一種基于GM

4、M token配比相似度校正得分的說(shuō)話人識(shí)別方法。該方法根據(jù)測(cè)試語(yǔ)句GMM token配比和模型訓(xùn)練語(yǔ)句的GMM token配比相似度對(duì)測(cè)試得分進(jìn)行校正，有效降低測(cè)試語(yǔ)句中部分impostor測(cè)試語(yǔ)句的測(cè)試得分，從而有效提升系統(tǒng)EER性能。MASC@CCNT上實(shí)驗(yàn)表明，系統(tǒng)等錯(cuò)誤率EER相對(duì)基準(zhǔn)有0.87個(gè)百分點(diǎn)的提升。
　　第三，基于GMM token的短語(yǔ)識(shí)別。由于語(yǔ)音的GMM token序列刻劃了語(yǔ)音中音素內(nèi)容的變化過(guò)程，所

5、以被廣泛的應(yīng)用于語(yǔ)種識(shí)別和方言識(shí)別。而語(yǔ)音的GMM token配比向量則刻劃了語(yǔ)音中音素內(nèi)容的組成信息，根據(jù)這一點(diǎn)我們提出一種基于GMM token配比相似度的短語(yǔ)識(shí)別方法，在7個(gè)人（5名男性，2名女性）的“前左右”指令集上準(zhǔn)確率為100％，而MASC@CCNT庫(kù)上準(zhǔn)確率為88.8％。另外，通過(guò)觀察不同短語(yǔ)的語(yǔ)圖進(jìn)一步發(fā)現(xiàn)，不同短語(yǔ)發(fā)音的起始部分的各個(gè)頻帶的能量分布差別很大，因此我們進(jìn)一步提出基于起始語(yǔ)音片段的短語(yǔ)識(shí)別方法，該方法只需要