說話人語音特征子空間分離及識(shí)別應(yīng)用
加入技術(shù)交流群
隨著電話銀行等網(wǎng)絡(luò)電子消費(fèi)的普及，說話人識(shí)別作為一種有效的身份認(rèn)證手段，其技術(shù)特點(diǎn)和優(yōu)越性越來越明顯，在國防安全、司法和金融等各應(yīng)用領(lǐng)域的價(jià)值越來越顯得重要。目前說話人識(shí)別的主要方法一般通過在語音特征觀察空間建立說話人模型進(jìn)行，如基于VQ的碼本模型識(shí)別方法、基于GMM模型的識(shí)別方法以及其他一些方法，這些方法大都利用了說話人語音特征的統(tǒng)計(jì)特性。但是，說話人識(shí)別應(yīng)用中存在的兩個(gè)主要問題是：(1)由于語音特征的時(shí)變性，模型訓(xùn)練時(shí)期和實(shí)際識(shí)別時(shí)期語音特征發(fā)生變化而導(dǎo)致識(shí)別性能的下降，而目前這些方法只能在一定程度上處理這種變化；(2)實(shí)際應(yīng)用中往往需要能通過較短的語音及時(shí)識(shí)別說話人身份，但目前這些方法一般需要輸入3秒以上的語音才能得到較高的識(shí)別率。
語音信號(hào)中包含語義和說話人個(gè)性這兩大特征，如果能夠較好地將這兩類特征進(jìn)行分離，并依據(jù)個(gè)性特征建立說話人模型，則說話人識(shí)別性能將會(huì)得到提高并大大增強(qiáng)識(shí)別系統(tǒng)的魯棒性，但兩類特征的完全分離非常困難。統(tǒng)計(jì)方法建立的模型不可避免地需要較大的數(shù)據(jù)量進(jìn)行訓(xùn)練和識(shí)別，在短時(shí)測(cè)試語音下識(shí)別性能下降是必然的。如果能夠建立一種非純粹統(tǒng)計(jì)模型或在統(tǒng)計(jì)模型的基礎(chǔ)上結(jié)合結(jié)構(gòu)性模型則可能會(huì)提高短時(shí)測(cè)試語音條件下的識(shí)別性能。
本文依據(jù)主元分析(PCA：Principal Component Analysis)原理和說話人語音特征在觀察空間的分布散度提取主要散度向量構(gòu)造說話人語音特征子空間，將說話人語音特征子空間從觀察空間分離出來。實(shí)驗(yàn)分析了基于特征子空間的說話人識(shí)別性能，結(jié)果證明了這種方法的有效性，特別是在小于3秒的短時(shí)測(cè)試語音情況下識(shí)別性能明顯優(yōu)于VQ和GMM等方法。
2 特征子空間分離
基于語音特征子空間分離的說話人識(shí)別系統(tǒng)中，說話人模型由特征子空間表示，模式匹配部分則通過計(jì)算輸入測(cè)試語音特征矢量與子空間的距離進(jìn)行。特征子空間根據(jù)說話人訓(xùn)練語音提取的特征矢量在觀察空間的統(tǒng)計(jì)分布特性，依據(jù)PCA原理選取具有較大權(quán)值的散度向量構(gòu)成。
設(shè)一個(gè)說話人訓(xùn)練語音集合為{S1，S2，…，SN}，每一個(gè)訓(xùn)練語音樣本經(jīng)過特征提取后形成特征矢量序列，即
如果特征矢量具有P個(gè)參數(shù)，則特征矢量Vij表示P維觀察空間的一個(gè)點(diǎn)，所有的特征矢量
在觀察空間形成具有一定統(tǒng)計(jì)分布特性的點(diǎn)集{V1，V2，…，VM}，其中M是說話人所有訓(xùn)練語音特征矢量的總數(shù)。描述說話人語音特征矢量在觀察空間分布的一個(gè)主要統(tǒng)計(jì)指標(biāo)是分布散度，它可以由平均特征矢量和自協(xié)方差矩陣表示，如下：
公式(1)中平均特征矢量V反映說話人所有特征矢量在觀察空問的中心點(diǎn)。公式(2)中自協(xié)方差矩陣R是一個(gè)P×P正定對(duì)稱矩陣，它反映了說話人特征矢量各參數(shù)的平均偏離值，因此可以衡量特征矢量在觀察空間的分布散度。
求自協(xié)方差矩陣R的本征值{λ1，λ2，…，λP}和相應(yīng)的本征向量{e1，e2，…，eP}，則它們之間的關(guān)系如下式(3)～(5)所示。其中φ是由本征向量作為每一列構(gòu)成的P×P矩陣，A是由本征值構(gòu)成的對(duì)角矩陣。
因?yàn)楸菊飨蛄縠i，i=1～P是從描述說話人語音特征矢量分布散度的自協(xié)方差矩陣計(jì)算得到，所以，從空間的角度看，說話人的語音特征分布完全可以由以平均特征矢量V為中心，本征向量ei，i=l～P為正交歸一化基底的子空間描述，如圖1所示。這樣，就從語音特征觀察空問將說話人語音特征子空間分離了出來，不同的說話人具有不同的特征子空間。
雖然計(jì)算得到的本征向量個(gè)數(shù)與觀察空間維數(shù)相同，但有些本征向量對(duì)應(yīng)的本征值較小，在表示語音特征分布散度時(shí)影響較小。因此，實(shí)際應(yīng)用中可以選擇具有較大散度權(quán)值(本征值)的向量構(gòu)成子空間的基向量。圖1顯示了一個(gè)三維觀察空間中分離出的兩個(gè)二維說話人特征子空問例子，這些子空間的基底對(duì)應(yīng)前兩個(gè)較大的散度權(quán)值。第4小節(jié)分析了選取不同散度權(quán)值本征向量構(gòu)成子空間情況下的識(shí)別性能，結(jié)果表明子空間維數(shù)并非越多越好。
說話人語音特征子空間本質(zhì)上是根據(jù)訓(xùn)練語音特征矢量在觀察空間的統(tǒng)計(jì)分布特性分析得到的一種結(jié)構(gòu)性說話人模型，各子空間的基底描述了說話人語音特征分布的框架結(jié)構(gòu)。因此，可以認(rèn)為子空間融合了說話人語音特征的統(tǒng)計(jì)特性和結(jié)構(gòu)特性，可由下式(6)表示：
3 子空間距離測(cè)度與模式匹配
系統(tǒng)模式匹配對(duì)輸入測(cè)試語音與各說話人子空間的相關(guān)度進(jìn)行分析，提供說話人身份的判別依據(jù)。設(shè)輸入測(cè)試語音St相應(yīng)的特征矢量序列為
則通過計(jì)算該特征矢量序列與說話人特征子空間的距離來分析測(cè)試語音與子空間的相關(guān)度，距離越小，相關(guān)度越大。最終的說話人識(shí)別判決可以依據(jù)最小距離準(zhǔn)則進(jìn)行，即測(cè)試語音說話人所對(duì)應(yīng)的子空間應(yīng)該與測(cè)試語音之間的距離最小，即相關(guān)度最大。
輸入語音特征矢量Vt與子空間的距離測(cè)度采用子空問投影距離計(jì)算，如下式(7)所示。其中Q是子空間的維數(shù)，Q≤P。
上式第一項(xiàng)是觀察空間特征矢量Vt與說話人語音特征子空間中心矢量V之差向量Vt一V的平方模；第二項(xiàng)是這個(gè)差向量Vt一V在子空間各維投影的平方和，代表了這個(gè)差向量在子空間上的投影長度的平方。兩項(xiàng)相減就是輸入測(cè)試語音特征矢量Vt與子空間的距離。
以上距離測(cè)度中采用了訓(xùn)練語音的平均特征矢量V，使觀察空間特征矢量轉(zhuǎn)換為適合子空間處理的差向量形式。實(shí)際應(yīng)用中，說話人語音特征是時(shí)變的，并引起特征矢量統(tǒng)計(jì)分布特性的變化，其表現(xiàn)之一是平均特征矢量隨時(shí)問的漂移。從子空間角度看，這個(gè)平均特征矢量的變化代表了說話人語音特征子空間的一種整體時(shí)變漂移，在計(jì)算子空間距離時(shí)如果不能及時(shí)反映這種變化，將可能引起一定程度的失真，為此，定義第二種距離測(cè)度如下：
前面兩項(xiàng)的含義與第一種測(cè)度d1(Vt，SF)是一致的，但差向量不是根據(jù)訓(xùn)練語音的平均特征矢量V形成，而是由輸入測(cè)試語音的平均特征矢量Vt形成。這樣，不僅使觀察空間特征矢量轉(zhuǎn)換為適合子空間處理的差向量形式，并且使形成差向量的兩個(gè)特征矢量在時(shí)間上一致起來。但是，子空間是根據(jù)訓(xùn)練語音構(gòu)造的，其中心特征矢量是訓(xùn)練語音的平均特征矢量，距離測(cè)度中必須反映這一差異。所以，在第二種距離測(cè)度中增加第三項(xiàng)描述訓(xùn)練語音和測(cè)試語音特征矢量的平均差異，兩者通過加權(quán)系數(shù)c結(jié)合，其中N是測(cè)試語音短時(shí)幀個(gè)數(shù)。因此，這一距離測(cè)度不僅描述了特征矢量與說話人特征子空間的距離，而且描述了測(cè)試語音特征與子空間所表示的說話人語音特征的平均距離，同時(shí)考慮了語音特征的結(jié)構(gòu)性和統(tǒng)計(jì)特性差異。加權(quán)系數(shù)c的選擇使兩類距離對(duì)整個(gè)測(cè)度的影響保持平衡，可以通過各自的統(tǒng)計(jì)方差之比計(jì)算。
模式匹配通過計(jì)算整個(gè)輸入測(cè)試語音特征矢量序列與子空間的距離進(jìn)行。利用以上距離測(cè)度，輸入測(cè)試語音St與說話人語音特征子空問的總距離如下：
評(píng)論