基于深度學(xué)習的說話人識別研究.pdf

1、在現(xiàn)代社會，人們獲取信息越來越容易，手段越來越多，隨之產(chǎn)生的是隱私保護更為迫切，因此對加密的要求也越來越高。如今，除了傳統(tǒng)的指紋加密、字符加密等外，利用語音來識別身份作為加密的方式也引起了人們的興趣，因而說話人識別也越來越受到重視。本文主要研究說話人識別中的說話人確認，即判斷某段語音是否為指定的說話人所說，且核心研究是文本相關(guān)的說話人確認（要求注冊和測試時的說話人和說話內(nèi)容都正確才可通過），同時會有少部分文本無關(guān)實驗和研究。在說話人確認

2、技術(shù)中，作為最經(jīng)典的GMM-UBM系統(tǒng)和目前最先進的i-vector系統(tǒng)，前者實現(xiàn)方式簡單易操作但性能很難拔尖，后者在文本無關(guān)的說話人系統(tǒng)中表現(xiàn)優(yōu)越但在文本相關(guān)的說話人系統(tǒng)中卻不如GMM-UBM。2006年Hinton提出了深度信念網(wǎng)絡(luò)無監(jiān)督訓(xùn)練算法，使得深度學(xué)習作為一個新的領(lǐng)域出現(xiàn)在機器學(xué)習研究中。深度學(xué)習在語音識別等領(lǐng)域的成功應(yīng)用，也引起了說話人識別領(lǐng)域的關(guān)注。本文將研究深度學(xué)習模型在說話人確認系統(tǒng)中的應(yīng)用，基于GMM-UBM和i-

3、vector兩個基線框架下融入深度學(xué)習模型。
　　在GMM-UBM框架下，研究對象是深度特征，即由深度學(xué)習模型隱層輸出的再經(jīng)過一些前端處理后的特征，尤其是深度特征與頻譜特征拼接形成的tandem深度特征。在文本相關(guān)條件下，本文首次全面地將深度特征包括tandem深度特征用于GMM-UBM說話人確認中，而且取得了較高地性能提升，最好的結(jié)果EER提升了50％以上。同時，文本無關(guān)條件下的實驗也驗證了深度特征的有效性。
　　在i-v

4、ector框架下，主要針對其在文本相關(guān)條件下的性能不足，提出了兩種完全在深度神經(jīng)網(wǎng)絡(luò)框架下提取說話人向量的方法：經(jīng)聯(lián)合訓(xùn)練說話人網(wǎng)絡(luò)和文本內(nèi)容網(wǎng)絡(luò)而得到的j-vector和基于神經(jīng)網(wǎng)絡(luò)基分解的s-vector。其中j-vector取得了文本相關(guān)的說話人系統(tǒng)性能上的進一步提升，超過了基于tandem深度特征的GMM-UBM系統(tǒng)。另外，針對文本無關(guān)的i-vector系統(tǒng)，本文在利用深度神經(jīng)網(wǎng)絡(luò)優(yōu)化i-vector提取上進行了一定的嘗試。