说话人辨认

摘要： 针对在智能音箱中容易出现误唤醒情况,即设备被环境音错误激活的问题,该文提出了一种多特征融合的说话人辨认算法。该算法在特征提取部分通过将短时能量、线性预测倒谱系数(LPCC)、梅尔频率倒谱系数(MFCC)及其一阶动态特征差分系数进行有机结合来提高说话人辨认算法的识别率。使用自建语音库进行仿真测试,仿真实验结果表明,与采用传统特征提取的GMM说话人辨认相比,采用改进的特征提取方法能显著提高说话人辨认的识别正确率。

摘要： 为探究对抗样本对端到端说话人辨认系统的安全威胁与攻击效果,比较现有对抗样本生成算法在语音环境下的性能优劣势,分析FGSM、JSMA、BIM、C&W、PGD 5种白盒算法和ZOO、HSJA 2种黑盒算法.将7种对抗样本生成算法在ResCNN和GRU两种网络结构的端到端说话人辨认模型中实现有目标和无目标攻击,并制作音频对抗样本,通过攻击成功率和信噪比等性能指标评估攻击效果并进行人工隐蔽性测试.实验结果表明,现有对抗样本生成算法可在端到端说话人辨认模型中进行实现,白盒算法中的BIM、PGD具有较好的性能表现,黑盒算法的无目标攻击能达到白盒算法的攻击效果,但其有目标攻击性能有待进一步提升.

摘要： The technology of speaker identification will be used in many areas in the future. Firstly,a research is made on the use of two basic Deep Neural Network models which refer to Stacked Denoising-Autoencoders and Deep Belief Network on speaker identification. By pre-training layer-wisely without labels and back fine-tuning with labels,Deep Neural Network has overcome the shortcoming that is easy to fall into local minimum caused by back propagation. The experiments proves that Deep Network Model performs better than normal BP Network when the amount of neurons is bigger than certain number and its performance grows with the scale of Network enlarges. Considering the training time of large Deep Model is too long,this text proposes using Rectifier Linear Unit to replace traditional sigmoid function to improve deep model on speaker identification. The results of experiment show that the training time and error rate of improved deep model has decreased by 35% and 8.3% respectively.%说话人辨认技术在许多领域有着广泛的应用前景.首先研究了两种基本的深度神经网络模型(深度信念网络和降噪自编码)在说话人辨认上的应用,深度神经网络通过逐层无监督的预训练和有监督的反向微调避免了反向传播容易陷入局部最小值的缺陷,通过实验证明了当神经元个数达到一定数量之后深度网络模型是优于普通BP网络的,并且其性能随着网络规模的扩大而提升.考虑到大规模的深度网络训练时间较长的缺点,提出使用整流线性单元(ReLU)代替传统的sigmoid类函数对说话人识别的深度模型进行改进,实验结果表明改进后的深度模型平均训练时间减少了35%,平均误识率降低了8.3%.

摘要： 在传统的高斯混合模型-支持向量机(Gaussian Mixture Model-Support Vector Machine,GMM-SVM)说话人辨认系统中,SVM利用从GMM矢量空间中得到的超矢量(Super Vector)直接对说话人进行建模与识别,由于没有考虑到超矢量内各均值矢量之间的关联性,识别性能有限.为此,提出了基于重组超矢量构建文本无关的GMM-SVM说话人辨认系统.该系统充分利用各相邻高斯分量的均值矢量的高度关联性,保证了重组后的超矢量能充分反映说话人身份的内在细节,使得系统具有充分利用SVM处理高维小数据性能的优越特点.验证实验结果表明,与传统的GMM-SVM系统相比,重组超矢量GMM-SVM说话人辨认系统显著地缩短了系统建模的时间,同时有效地提高了说话人的辨别率.%In the traditional speaker identification system with Gaussian Mixture Model-Support Vector Machine (GMM-SVM),SVM uses super vector derived from the vector space of GMM to model and identify the target speakers directly.Since the relationship between two of mean vectors among GMM super vectors has not been considered,the performance of GMM-SVM system is limited.Thus a new text-independent GMM-SVM speaker identification system with super vector has been proposed which has made full use of tremendous correlation of each mean vector of the adjacent Gaussian components.The recombination super vectors have presented more inner detail of speakers' identity and enable the new system to take the advantage of the characteristics of superior performance when SVM deals with the small and high dimensional data.The experimental results demonstrate that the GMM-SVM speaker identification system with recombination super vector has not only achieved a higher recognition rate than the traditional GMM-SVM system,but also significantly decreased identification time of speakers.

摘要： 实验室环境下，说话人识别研究已经取得很大进展，但是在实际生活中，说话人识别系统的性能受到环境噪声、健康状况等因素的影响很大。日常生活中，感冒是不可避免的。而感冒往往会诱发鼻腔的炎症，改变鼻腔的容积和形状，引起说话人声音的改变，导致说话人识别性能下降。文中研究测试者感冒时说话人识别系统的性能。为了有效利用不同特征参数得分的互补性，针对基于 GMM 模型的说话人辨认系统，提出了将特征 LPC 和 MFCC 分别应用于该系统，并将二者的得分归一化后进行融合计算。实验结果表明，对正常语音来说，与 LPC 特征系统相比，该方法能够有效提升辨认性能；对感冒语音来说，当高斯成分为16时，较之 LPC 特征系统，该方法提升辨认性能12.5%左右，较之 MFCC 特征系统，该方法也能提升8.5%左右的辨认性能。%At present,speaker recognition technology has made great progress in clean voice. But in daily life,there are various factors, such as environmental noise and healthy condition,impacting recognition rate of speaker recognition system. The cold tends to induce the nasal cavity’s inflammation,and changes the volume and shape of the nasal cavity and then changes the vocal characteristics of the speak-er. In order to effectively use the complementarity of scores from different feature parameter,the performance’s change of speaker identi-fication system was studied when the speaker gets the cold. So the method was proposed using linear prediction coefficient and MEL ceps-trum coefficient to train the speaker model respectively,and then score normalization method is used to process scores from two feature systems. Finally,two outputs were weighted. The experimental results show that for normal speech,this method can improve the identifi-cation performance;for cold speech,the method improves the identification performance by 12. 5% when the number of Gaussian compo-nents equals to sixteen compared with the system taking MFCC as feature,by 8. 5% to the LPC system.

摘要： 目前基于GMM的说话人辨认系统主要在微机上由软件实现,难以胜任大语音流的多路实时处理任务.鉴于FPGA强大的流水和并行处理能力,提出了一种以FPGA为应用平台,基于GMM的与文本无关说话人实时辨认系统的硬件实现方法.抽取NIST2003语音库的语料进行试验,结果表明,与在PC上的软件实现相比,识别率几无差别,但实时处理速度提高了约90倍.

摘要： 针对现实中训练数据不足的特点,在说话人建模时采用高斯混合模型-通用背景模型(Gaussian Markov Model-Uniform Background Model, GMM-UBM),主要从说话人识别模型的自适应方法和参数估计方法两个方面,研究如何提高说话人识别系统的识别率。在说话人识别模型自适应方面,改进传统的用最大后验概率 MAP (Maximum A Posterior Probability)得到说话人模型的方法,将语音识别中的最大似然线性回归MLLR (Maximum Likelihood Linear Regression)和基于特征音(EigenVoice, EV)的自适应方法,应用到说话人识别模型自适应当中,并将其与MAP方法进行比较。%This thesis adopts GMM-UBM when model speaker recognition system considering of lacking data. In the aspect of adapting in speaker recognition system modeling and parameter estimating, attentions are put on researching in how to improve recognition rate. In the side of adapting in speaker recognition system modeling, we will ameliorate conventional MAP (Maximum A Posterior Probability) means to get speaker recognition model, apply MLLR (Maximum Likelihood Linear Regression) and EigenVoice adaptation ways which used in speech recognition into adapting in speaker recognition system modeling, and compare the results with MAP means.

摘要： 为更系统地讨论说话人辨认系统中UBM(universal background model)训练时长对系统识别性能的影响,针对UBM训练时长和混合度设置了一组实验,在基于GMM-UBM(gaussian mixture model-universal background model)的说话人辨认系统中,探讨了UBM训练时长和混合度之间的关系,得出了UBM平均每个混合得到100帧左右训练样本时,能够获得较高且较稳定识别率的结论,并总结出了在某一混合度下UBM训练数据净时长的范围,为以后的研究提供了一个基本的数据依据.

摘要： 针对短语音说话人辨认训练语料不充分的特点,对特征参数和GMM模型进行优化和改进,提出一种基于局部模糊PCA的GMM说话人辨认方法.该方法采用特征组合代替单一特征,以提高有效特征维数来弥补特征样本的不足,并用局部模糊PCA对组合特征进行有效降维,在对识别率影响很小的前提下,降低了系统的时空复杂度.本文还对GMM参数初始化方法进行改进,采用分裂法与模糊k均值聚类相结合方法.实验表明,与传统初始化方法相比该方法能有效提高短语音说话人辨认性能.%For the inadequate training speech data of speaker identification based on short utterance, feature vectors and GMM models are optimized and improved,an efficient GMM based on local PCA with fuzzy clustering is presented. To compensate for the limited feature samples, the effective feature dimensions are increased with featture combinations instead of single feature. Furthermore, the time and space conmplexity of the system can be compressed by reducing dimensions of feature combinations with local fuzzy PCA in the premise of little effect on recognition rate. Finally, a new approach which combines division and fuzzy kmeans clustering is used, in order to optimize GMM initialization parameters. The experiments show that the improved method is more effective in improving performance of the system than traditional initialization methods.

摘要： 为了提高基于高斯混合模型通用背景模型(GMM-UBM)的说话人辨认系统的运算效率, 本文提出了一种基于参考说话人模型的双层结构用于目标说话人剪枝,采用矢量量化方法从目标说话人模型集合中训练参考说话人模型，利用语音与参考说人模型的偏差来描述说话人的发音特性，将辨认语音偏差向量和目标说话人偏差向量的相似性作为距离度量进行目标说话人剪枝。实验结果表明: 在基于GMM-UBM的说话人辨认系统中，对包含5,200个目标说话人和1,000个集外说话人的测试集进行开集辨认的条件下，在提高辨认的运算效率12.5倍同时而识别率仅下降0.3%。

摘要： 模式识别中基于高斯混合模型GMM(Gaussian Mixed Model)的说话人辨认系统在训练样本充分的条件下获得了较高的识别率,但其计算复杂度往往限制了系统应用.从提高系统实用性的角度,介绍了一种基于最大似然ML(Maximum Likelihood)聚类的简化GMM算法.仿真结果表明在保证系统识别性能的前提下,简化算法有效降低了计算开销.

摘要： 本文根据人耳频率子带独立识别的特性,提出了一种子带的加权改进算法用于说话人辨认.首先提取子带特征参数,并用本文提出的新窗口进行加权,突出说话人的个性信息,实验结果表明新参数比传统参数识别性能有显著的提高.

摘要： 模糊分类器(NFC)和支持向量机(SVM)是解决模式识别和分类问题的有力的工具.本文分别用自适应模糊神经分类器和支持向量机解决说话人辨认问题,进行了实验和比较,指出了它们的优缺点和进一步研究的方向.

摘要： 本文根据多级子带和能量算子,提出了一种子带能量倒谱算法用于说话人辨认.实验结果表明在加性噪声环境下新参数比传统参数识别性能有显著的提高.

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： 凭借广泛的应用前景，说话人识别越来越受到人们的重视。本文提出了一种用矢量量化(VQ)来初始化高斯混合模型(GMM)的参数的方法，把矢量量化和高斯混合模型进行了结合。rn 实验结果表明：在语音较短时，与传统的初始化方法相比，本文的算法使识别率更高，更稳定。rn 并且比用矢量量化训练模型参数的识别率更高。

摘要： 本文介绍了一个为说话人识别而建立的中文语音数据库和该数据库上作的说话人辨认测试.该数据库主要特征有:包含宽带(麦克风)与窄带(电话)语音;主要内容包含数字串、规定短文和自由叙述;有131人完成了3次录音.说话人辨认测试包括:文本无关的说话人辨认、固定征提取系统和高斯混合模型方法.

摘要： 本发明涉及语音识别方法及其系统，它将自适应分量权重施加到每幅语音帧以使非声道分量衰减而对语音分量进行归一化。采用线性预测全极点模型来构成包含移动平均分量的新的传递函数。从新的传递函数确定归一化谱。归一化谱改善了语音分量的特性，由此改善了信道上的语音识别。

摘要： 本申请公开了一种说话人识别模型训练、说话人识别方法及装置，涉及智能家居技术领域，该说话人识别模型训练方法包括：获取样本语音集；样本语音集包括：多个用户对应的N个样本语音；对各样本语音进行声学特征提取，得到多个用户对应的N个初始样本语音声学特征；通过目标特征提取模型，对N个初始样本语音声学特征进行降维，得到多个用户对应的M个目标样本语音声学特征；M为小于N的且大于或等于2的整数；对M个目标样本语音声学特征进行聚类，获取聚类结果；聚类结果用于表征各目标样本语音声学特征所属用户；根据聚类结果，以及，样本语音集训练预设模型，得到说话人识别模型。本申请提高了说话人识别模型训练的效率。

摘要： 本发明公开了一种说话人分割模型的优化方法及装置，该方法包括：获取第一语音流数据和第二语音流数据，第一语音流数据与第一说话人对应，第二语音流数据与第二说话人对应；基于第一语音流数据，获得目标对比误差函数的第一误差函数项；第一误差函数项为最小化的对象；基于第一语音流数据和第二语音流数据，获得目标对比误差函数的第二误差函数项；第二误差函数项为最大化的对象；基于第一误差函数项和第二误差函数项，获得目标对比误差函数；基于目标对比误差函数，对原说话人分割模型的模型参数进行调整，获得目标说话人分割模型。本发明可以提高说话人分割点准确率。同时，本发明还公开了一种说话人分割方法及装置。

摘要： 本发明公开了一种基于CNN融合特征的说话人辨认系统，该系统对输入语音信号进行预处理；再利用语谱图对卷积神经网络进行训练；最后寻找最优特征后进行特征融合。该方法克服了现有语音说话人识别系统的不足，与传统基于单一深度特征的说话人系统相比较，在不增加系统训练复杂度的前提下，可以从深浅不同的层次对说话人身份信息进行更加全面地描述，从而使得系统的识别率更高，性能得到进一步提升，可以很好地应用于智能说话人身份信息的辨认。

摘要： 本发明公开了一种超矢量的说话人辨认方法，包括训练阶段和实测阶段。前者包括利用说话人语音信号的特征参数为每一个说话人训练一个GMM，从GMM提取超矢量，然后对该超矢量进行重组得到重组超矢量，再利用重组超矢量训练一个SVM模型。后者包括用相同的方法对测试语音提取测试的重组超矢量，然后利用训练阶段得到的SVM模型对测试的重组超矢量进行判别，从而判定测试语音所代表的说话人的身份。本发明利用原始超矢量的相邻均值矢量间的高相关性，实现了平滑数据的过渡，降低计算复杂度，对GMM组成超矢量的各个均值向量进行重新组合，使其更加契合SVM对数据处理的机制。通过选择适当的超矢量重组方式，有效提升系统的识别性能，减少了运算时间。

摘要： 本发明涉及一种基于2D-Haar音频特征的、适用于大规模说话者的文本无关说话人辨认方法。本发明提出了2D-Haar音频特征的概念和计算方法，首先使用基础音频特征构成音频特征图；进而利用音频特征图提取2D-Haar音频特征，再使用AdaBoost.MH算法完成对2D-Haar音频特征的筛选和说话人分类器的训练；最终使用训练好的说话人分类器实现说话人辨认。与现有技术相比，本发明可以有效地抑制大规模说话人辨认场合下辨认准确率的衰减，具有较高辨认准确率和辨认速度；不仅适用于桌面计算机，也适用于手机、平板电脑等移动计算平台。

摘要： 本发明提供一种说话人辨认方法及系统，属于说话人辨认技术领域，使用确认网络对语音信号进行分析，提取语音信号的声纹特征，确认所述语音信号是否来自同一个说话人；使用辨认网络对语音信号的声纹特征进行分析，辨认所述语音信号的说话人身份。本发明提取了说话人特有的声纹特征，减少了信道噪声干扰，提高了说话人辨认准确率；采用多任务学习的形式使得说话人确认网络和说话人辨认网络能互相辅助，提高了确认效果和辨认效果；结合说话人确认技术模拟了人脑思维模式，在说话人数量庞大，辨认难度高的情况下，结合确认技术来进行辨认；对人脑思维模式的模拟应用，提高了算法的智能性，增强了模型在高难度情况下的辨认能力。

摘要： 本发明公开了一种基于CNN融合特征的说话人辨认系统，该系统对输入语音信号进行预处理；再利用语谱图对卷积神经网络进行训练；最后寻找最优特征后进行特征融合。该方法克服了现有语音说话人识别系统的不足，与传统基于单一深度特征的说话人系统相比较，在不增加系统训练复杂度的前提下，可以从深浅不同的层次对说话人身份信息进行更加全面地描述，从而使得系统的识别率更高，性能得到进一步提升，可以很好地应用于智能说话人身份信息的辨认。

摘要： 本发明公开了一种超矢量的说话人辨认方法，包括训练阶段和实测阶段。前者包括利用说话人语音信号的特征参数为每一个说话人训练一个GMM，从GMM提取超矢量，然后对该超矢量进行重组得到重组超矢量，再利用重组超矢量训练一个SVM模型。后者包括用相同的方法对测试语音提取测试的重组超矢量，然后利用训练阶段得到的SVM模型对测试的重组超矢量进行判别，从而判定测试语音所代表的说话人的身份。本发明利用原始超矢量的相邻均值矢量间的高相关性，实现了平滑数据的过渡，降低计算复杂度，对GMM组成超矢量的各个均值向量进行重新组合，使其更加契合SVM对数据处理的机制。通过选择适当的超矢量重组方式，有效提升系统的识别性能，减少了运算时间。

摘要： 本发明涉及一种基于2D-Haar音频特征的、适用于大规模说话者的文本无关说话人辨认方法。本发明提出了2D-Haar音频特征的概念和计算方法，首先使用基础音频特征构成音频特征图；进而利用音频特征图提取2D-Haar音频特征，再使用AdaBoost.MH算法完成对2D-Haar音频特征的筛选和说话人分类器的训练；最终使用训练好的说话人分类器实现说话人辨认。与现有技术相比，本发明可以有效地抑制大规模说话人辨认场合下辨认准确率的衰减，具有较高辨认准确率和辨认速度；不仅适用于桌面计算机，也适用于手机、平板电脑等移动计算平台。