说话人识别系统中多样训练的应用

摘要

当前主流的说话人识别系统是用干净语音训练说话人模型，在噪声测试环境下会出现性能的急剧下降。针对说话人识别系统中的噪声鲁棒性问题，本文将多样训练的方法引入到基于GMM-UBM的说话人识别系统。此外，本文分析了多样训练如何导致不同说话人模型之间区分性的下降，并且通过融合信号、特征域的噪声鲁棒性方法，改善了多样训练中说话人模型的区分性。实验表明，加入多样训练以及信号、特征域的鲁棒性方法之后，说话人识别系统在噪声测试环境下有明显的性能提升。