说话人确认

摘要： 仿冒攻击严重影响说话人识别系统的安全应用。文中提出了一种具有录音回放仿冒攻击检测能力的说话人识别系统,该系统采用前端攻击检测与后端说话人确认的串联结构,并通过信道频响分析和说话人个性特征分析提出了一种信道频响差强化倒谱系数(Channel frequency response Difference Enhancement Cepstral Coefficient,CDECC),该特征参数通过三阶多项式非线性频率尺度变换同时强化语音信号低频段和高频段的频谱分量,能够有效反映不同输入信道频率响应和不同说话人语音频谱的差异。基于ASVspoof 20172.0数据库的非特定说话人文本无关录音回放攻击检测的实验表明,采用CDECC的录音回放攻击检测等错率(EER)为25.03%,相比基线系统下降了10%。通过在说话人确认的前端嵌入录音回放攻击检测模块,说话人识别系统的错误接受率(FAR)明显下降,系统EER从3.32%下降为1.01%,鲁棒性得到有效提升。

摘要： 无文本说话人确认模型通过复杂的网络结构和多变的特征提取方式来获得必要的性能,然而这会产生巨大的内存消耗和递增的计算成本,导致模型难以在资源有限的硬件设施上部署。针对该问题,利用虚拟教师蒸馏模型(teacher-free knowledge distillation,Tf-KD)可以带来百分之百的分类正确率、平滑的输出概率分布的优势,在轻量级残差网络的基础上构建虚拟教师说话人确认模型(teacher-free speaker verification model,Tf-SV)。同时引入空间共享而通道分离的动态激活函数和附加角裕度损失函数,使所提模型在特征表达、训练效率以及模型压缩后性能等方面的水平得到极大提升,最终达到无文本说话人确认模型能够在存储或者计算资源有限设备上部署的目的。基于VoxCeleb1数据集的实验表明,虚拟教师说话人确认模型的等错误率(EER)降低到3.4%。与已有成果相比,指标有明显提升,证明了在说话人确认任务上所提压缩模型的有效性。

摘要： 针对梅尔倒谱系数特征难以满足短语音说话人确认的问题,本文从同样是模仿人耳听觉机理的伽马通滤波器为基础,提出让抗噪性能更佳的伽马通频率倒谱系数作为输入特征.首先,在短语音条件下,提取伽马通频率倒谱系数,采用加减特征分量法计算其不同维数的贡献度大小.其次,选取其中贡献较高的分量作为特征,保留那些最能表征不同说话人之间差异的维数,直接实现了特征参数降维.最后,采用多种特征及其混合,通过i-vector说话人确认系统验证伽马通频率倒谱系数在短语音下的有效性.实验数据表明,不同测试语音长度条件下,相较其他声学及衍生特征,伽马通频率倒谱系数具有较强短语音的表征能力,单独使用或融合其他参数都进一步提升识别等误差率.

摘要： 录音回放攻击是说话人确认系统实际应用时面临的最大挑战.为实现录音回放攻击检测,首先对录音回放语音的输入信道结构特点和频率响应进行分析,发现输入信道结构上的差异会导致时域卷积效应和频率响应的高频衰减.因此,基于双谱分析的高维度频域信息表达能力,结合对角切片双谱计算和IMel滤波,提出一种录音回放攻击检测的对角双谱系数(Diagonal BiSpectrum Coefficient,DBSC)特征.在基于ASVspoof 20172.0语料库的录音回放攻击检测实验中,采用DBSC特征的录音回放攻击检测等错误率(Equal Error Rate,EER)为22.21％,相比常数Q倒谱系数(Constant Q Cepstral Coefficient,CQCC)特征和Teager能量倒谱系数(Teager Energy Cepstral Coefficient,TECC)特征分别下降了6％ 和38.39％.结果说明,DBSC特征能够有效表征真实语音和录音回放语音的差异,具有良好的录音回放攻击检测能力.

摘要： 针对说话人确认中无法准确捕获特征间非线性关系的问题,提出了一种基于深层信息散度最大化的目标函数表示方法.该方法能通过计算特征所在分布之间相似度,来对特征间的非线性关系进行隐性表示,并在最大化这种统计相关性的优化目标指导下,使深度神经网络向着同类数据更紧凑、异类数据更分散的方向优化,最终达到提升深层特征空间区分性的目标.实验结果表明,相对于其他深度学习方法,所提方法的相对等错误率(EER)最多降低了15.80％,显著提升了系统性能.

摘要： 身份-矢量(identity-vector,i-vector)方法作为说话人确认领域中的主流方法之一,能够通过学习总变化空间来获取有效的低维说话人特征——i-vector特征.但是当开发集数据不充足时,会导致学习到的总变化空间模型误差较大;同时,还无法有效确认此时的总变化空间是否因为预先设置的维度过高而学到了冗余信息.为此,本文将贝叶斯主成分分析(Bayesian Principal Component Analysis,BPCA)引入总变化空间的学习过程中,利用其来为总变化空间引入更多的先验信息,从而对开发集数据中包含的信息进行补充,并在先验信息的约束下削弱总变化空间中无效维的影响.实验结果表明,当开发集数据不充足时,相比于传统的总变化空间学习方法,BPCA方法能够有效提升说话人确认系统的识别性能.

摘要： x-vector系统将一段不定长的语音通过神经网络映射成固定维的矢量来表征说话人信息,该系统在文本无关的说话人确认(Speaker verification,SV)任务中取得了优异的性能.本文将其应用到文本相关的SV任务中,在x-vector模型选择上,采用残差神经网络以获得更有区分性的x-vector;在包含多字符的语句中,对每个字训练一个残差神经网络;在提取过程中,每一字单独提取一个x-vector并单独进行说话人判决,最后将多个判决得分进行融合后给出最终的识别结果.实验是在数据库RSR2015 PartⅢ上进行的,提出的方法在男性和女性测试集上等错误率分别有15.34％、19.7％的下降.

摘要： 对于说话人确认系统,由于不同识别对得分分布的差异性,如果对原始得分直接使用统一门限判决,会严重影响系统的性能,因此需要对得分进行规整。针对现有得分规整方法的不足,本文提出一种基于对数似然值归一化(Log-likelihood Normalization,LLN)得分规整的说话人确认系统。LLN在不需要先验知识的情况下,通过扩大同一测试语音在目标说话人模型与非目标说话人模型上的得分差距,使同一测试语音对应的两类识别对得分混叠现象得到有效改善,进而利于系统的区分判决。实验证明,LLN是一种有效的得分规整方法,且与已有的零规整和测试规整形成互补,可进一步提高说话人确认系统的性能。

摘要： 对于说话人确认系统,由于不同识别对得分分布的差异性,如果对原始得分直接使用统一门限判决,会严重影响系统的性能,因此需要对得分进行规整.针对现有得分规整方法的不足,本文提出一种基于对数似然值归一化(Log-likelihood Normalization,LLN)得分规整的说话人确认系统.LLN在不需要先验知识的情况下,通过扩大同一测试语音在目标说话人模型与非目标说话人模型上的得分差距,使同一测试语音对应的两类识别对得分混叠现象得到有效改善,进而利于系统的区分判决.实验证明,LLN是一种有效的得分规整方法,且与已有的零规整和测试规整形成互补,可进一步提高说话人确认系统的性能.

摘要： 梅尔倒谱系数是一种常用于说话人识别的特征参数,韵律特征是一种描述人的声门特性的参数.为融合MFCC与韵律特征,以图优化说话人确认系统性能,该文采用二次判决的方法来处理这两个特征;参与第二次判决的语音则由通过大量实验制定的判决空间来确定.实验结果表明,采用二次判决时,系统等错误率从仅使用MFCC时的5.56％的下降至4.37％.

摘要： 通过理论分析可知，惩罚系数C和核函数参数g的选取对支持向量机的性能有很大影响。木文将PSO快速全局优化的特点应川于SVM的训练模型，比较好的解决了一次规划问题。相对丁SVM算法，PSO-S V M算法应用在说话人确认系统中，有效提高了系统的识别准确率。

摘要： 本文描述了一个与文本无关的说话人确认系统，并对前端处理作了实验研究。运用动态特征提高参数的鲁棒性。针对测试环境和训练环境的失配，采用RASTA滤波进行信道补偿。实验结果表明：动态MFCC能更好地反映各种声学特征，因此使实验结果的DET曲线都更接近于原点，使得拒识率和误识率都有所降低，对两个数据库A和B，EER都相对下降20％以上。当测试环境和训练环境不匹配时，使用RASTA滤波技术可以提取有效的特征参数，提高系统性能，EER相对下降24.88％。

摘要： 本文针对传统的"一对多"训练算法中两类样本数不平衡会造成分类结果偏向数目较大一类的缺点,本文提出了用于文本无关说话人确认的一种改进的"一对多"算法.实验结果表明,改进后的算法克服了这种倾向性,从而提高了系统的识别性能.

摘要： 说话人识别又称声纹识别,是指通过获取说话人语音信号声纹特征后,自动识别说话人身份的技术.说话人识别系统通常包含语音信号预处理、声纹特征提取、特征模型训练和模型匹配与判决四个部分.说话人识别任务包含说话人确认(判断是否为同一个人说话)与说话人辨认(判断说话人是谁)两类,按照各说话人语音信号使用的文本是否一致分为文本相关与文本不相关两类.

摘要： 本文使用TIMIT语料库通过最大期望算法训练得到512阶的通用背景模型,以MIT语料库为主实验库,通过贝叶斯学习算法从通用背景模型中自适应训练得到MIT两个信道下全部注册者的模型.接着将模板中个人高斯混合模型的均值空间映射到超矢量空间,对注册库中96个均值超矢量进行主成分降维分析后,观察发现性别影响大于信道影响,且降维后的数据在非线性回归分类器中具有最佳的分类效果.实验一中采用经典的UBM-MAP-GMM模型和似然比得分,分别对基于全局UBM和性别相关UBM系统的等错误率进行了分析;实验结果显示,在语音时长为25s时,系统等错误率由13.59％下降至11.72％.实验二中采用基于降维均值超矢量和余弦得分的系统,该系统提取类似于i-vector的低维均值超矢量作为身份矢量;实验结果显示,6144维均值超矢量能较好地表征说话人,系统等错误率进一步降至10.22％.

摘要： 本文介绍了总变化因子技术以及PLDA系统。提出了五种“一对多”策略和一种得分规整技术。将注册说话人的所有语音拼接，混入质量较差的语音会带来性能下降。提取因子虽然有较好的性能，但是没有考虑因子的不确定性(均值)，并且无法使用本文提出的得分规整技术。得分平均会带来漏检问题。E平均和得分取中值克服了漏检问题，有一定容错能力，相对更为鲁棒。得分规整技术显著提升了说话人识别性能。

摘要： 本文针对传统数字版权管理系统中存在的由于密钥容易丢失和遗忘而造成用户使用不便、非法用户对密钥的窃取和伪造、以及合法用户主动泄漏密钥造成信息提供商在知识版权方面权益的丧失等问题，构建了一种针对对等网络（Peer-to-Peer，P2P）数字版权管理的声纹辅助认证系统。该系统采用随机数字文本提示的方式，进行说话人确认以及基于语音内容的信息确认，并采用SVM模型进行融合判决；针对说话人语音内容不匹配时存在的误识率较高的问题，进一步提出了SVM模型加单字阈值级联 融合判决的方法。实验表明，SVM模型加单字阈值级联融合判决能有效降低误识别率，同时误拒绝率也有所降低。将该方法用于数字版权管理的声纹辅助认证中，一方面保证了系统的安全性（误识别率极低），同时也保证了系统的便利性（误拒绝率较低），有效地提高了系统的方便性、可靠性和适用性。

摘要： 随着互联网(Internet)的快速发展,一方面人们可以更容易从互联网上得到海量信息,人们的生活变得更方便;另一方面,互联网上也存在大量的有害信息,很多非法活动通过互联网的传播日益猖獗.网络信息安全成为国家安全和网络管理部门迫切的要求和关注的焦点,政府必须对互联网实行强有力的监控和管理.由于互联网上的海量信息,完全的人工监测是不可能的,计算机自动信息检索和监测技术成为网络信息安全的基础.说话人检测技术可以监测互联网上的音频文件或音频流是否来自需要监控的说话人,将成为网络信息安全中具有实用价值的技术手段之一.本文介绍了一个用于网络信息安全中的说话人检测系统,并提出了初步实验结果.

摘要： 随着互联网(Internet)的快速发展,一方面人们可以更容易从互联网上得到海量信息,人们的生活变得更方便;另一方面,互联网上也存在大量的有害信息,很多非法活动通过互联网的传播日益猖獗.网络信息安全成为国家安全和网络管理部门迫切的要求和关注的焦点,政府必须对互联网实行强有力的监控和管理.由于互联网上的海量信息,完全的人工监测是不可能的,计算机自动信息检索和监测技术成为网络信息安全的基础.说话人检测技术可以监测互联网上的音频文件或音频流是否来自需要监控的说话人,将成为网络信息安全中具有实用价值的技术手段之一.本文介绍了一个用于网络信息安全中的说话人检测系统,并提出了初步实验结果.

摘要： 本发明公开了一种说话人确认方法和说话人确认设备。该说话人确认方法用于验证是否由特定说话人进行特定发言，该方法包括：从输入语音中提取与任何文本内容无关的说话人特征，并将所提取的说话人特征与所存储的特定说话人特征进行比较，以确定是否是特定说话人在说话；基于输入语音帧序列的频域特征，从输入语音帧序列中提取分别与彼此不同文本内容对应的多个模板构成的模板串；以及将所得到的模板串与所存储的特定说话人的特定内容模板串进行比较，以确定是否进行了特定发言。

摘要： 本发明公开说话人确认方法和装置，其中，一种说话人确认方法，包括将音频数据输入至通用特征提取器以提取预设特征；将提取的所述预设特征分别输入说话人分类子网络和音素分布预测子网络，其中，经过所述说话人分类子网络提取得到说话人嵌入，经过所述音素分布预测子网络提取得到文本嵌入；将所述说话人嵌入和所述文本嵌入通过合并子网络，合并得到说话人嵌入和文本嵌入的单个嵌入；以及基于所述单个嵌入进行说话人确认。

摘要： 本发明提供一种基于对数似然值归一化的说话人确认方法，假设是某测试语音在所有L个说话人模型上的得分；设St为测试语音与其目标说话人模型的得分，即该测试语音对应的“True”识别对得分；其余L‑1个得分Sn，n≠t，为测试语音与非目标说话人模型的得分，即该测试语音对应的“False”识别对得分；用对数似然值归一化公式来规整每个得分：Si表示该测试语音在第i个说话人模型上的原始得分，S′i是经过规整后的得分，表示对得分Si的规整量，令则Ni由除Si之外的其余L‑1个得分计算得到。本发明使同一测试语音对应的两类识别对得分混叠现象得到有效改善；并且可以直接对测试得分进行规整，不需要预留训练数据。

摘要： 本发明公开了一种说话人确认方法和说话人确认设备。该说话人确认方法用于验证是否由特定说话人进行特定发言，该方法包括：从输入语音中提取与任何文本内容无关的说话人特征，并将所提取的说话人特征与所存储的特定说话人特征进行比较，以确定是否是特定说话人在说话；基于输入语音帧序列的频域特征，从输入语音帧序列中提取分别与彼此不同文本内容对应的多个模板构成的模板串；以及将所得到的模板串与所存储的特定说话人的特定内容模板串进行比较，以确定是否进行了特定发言。

摘要： 本发明涉及说话人确认模型及说话人确认方法和装置，所述一种基于信道鲁棒的说话人确认模型的实现方法包括：将若干语音信号分别利用MLLR方法在若干子空间内进行自适应处理；构建与所述语音信号在所述子空间内对应的M矢量，得到与所述子空间对应的M矢量集合；将所述M矢量集合作为支持向量机的输入特征，得到与所述语音信号对应的支持向量机模型。本发明实施方式提供的说话人确认模型及说话人确认方法和装置对数据量和运算量要求要小很多；不需要任何有文本标注信息的数据，从而节省了大量人力和财力资源，而且能够取得较高的识别性能及很强的与其他确认系统的互补性。

摘要： 本发明公开了一种说话人确认方法、系统及装置，该系统包括：语音输入模块，用于输入待识别的第一语音和第二语音；embedding提取模块，用于分别提取第一语音的第一embedding向量和第二语音的第二embedding向量，其中，embedding提取模块包括RepVGG模型；相似度计算模块，用于计算第一embedding向量和第二embedding向量的相似度，以及根据相似度确认第一语音和第二语音是否为同一说话人。本发明利用RepVGG网络结构提升跨语种场景下embedding提取的效果，提升了说话人确认的精度。

摘要： 本发明公开了一种基于知识蒸馏的文本无关说话人确认方法，步骤为：数据预处理，其由数据准备和数据封装两部分组成；特征提取，其由音频读取、信号预加重、特征转换、样本归一化四部分组成；学生模型设计，其由学生模型网络结构设计以及训练算法部分组成；模型性能评估，对设计的学生模型进行性能评估，通过直观的计算教师学生网络输出的speaker embedding间的余弦相似度来指导学生模型训练，使用ERR对学生模型进行性能评估。本发明可以有效的利用教师模型得到的先验知识指导学生网络进行训练，使得模型参数量较小的学生模型在模型参数量较大的教师网络的指导下达到接近于教师网络性能的目的，从而实现对说话人确认模型进行参数压缩的目的。

摘要： 本发明公开了一种大规模自组织麦克风阵列下帧级多通道的说话人确认方法，在单通道说话人确认系统的池化层之前加入时空处理块，分别建模通道内、通道间以及跨时间的上下文关系，进一步提升远场ASV的性能。包括如下步骤：1)在池化层之前加入由跨帧处理层(Cross‑Frame Processing Layer,CFL)和跨通道处理层(Cross‑Channel Processing Layer,CCL)组成的时空处理块；2)为了使噪声通道的通道权重为零，将跨通道处理层的softmax算子改进为sparsemax算子。在Libri‑adhoc‑simu数据集上的结果表明，STB的多通道ASV系统实现了低于oracle one‑best基线33％的等错误率(EER)；在Libri‑adhoc40数据集上的结果表明，STB的多通道ASV系统实现了低于oracle one‑best基线27％的等错误率，同时也实现了低于话语级跨通道自注意力ASV系统9％的等错误率，达到了优越的性能。

摘要： 本说明书实施例提供了一种用于短语音说话人确认的生成对抗网络优化方法及系统，其中，方法包括：获取多对长、短语音声学特征样本；将短语音声学特征样本输入生成器进行拼接，得到生成的伪长语音声学特征样本；将伪长语音声学特征样本与获取的所述长语音声学特征样本分别输入说话人确认模型，通过说话人确认模型输出伪身份特征样本和真身份特征样本；将真身份特征样本和伪身份特征样本输入鉴别器和分类器，通过损失函数计算所述鉴别器和分类器的损失，并通过反向传播优化更新鉴别器、分类器和生成器的参数。以解决说话人确认系统随着语音时长变短判别效果变差的问题。

摘要： 本申请提供一种基于多路径网络的说话人确认欺骗检测方法，包括：获取说话人真实语音数据和欺骗语音数据；采用编解码器对所获取的语音进行数据增强，提取所有语音数据的线性频率倒谱系数特征；将编解码方式不同的语音视为来自不同的域，用高斯混合模型提取各域语音的高斯概率特征；构建多路径神经网络，每个域的高斯概率特征分别作为一个神经网络路径的输入；对所述多路径网络进行训练；获取新的说话人语音，对新的语音进行欺骗检测。本发明用高斯混合模型提取各域语音的高斯概率特征，使用多路径网络模型判断语音是真实语音还是欺骗语音，提高了语音欺骗检测系统的泛化性。