[发明专利]身份矢量x-vector线性变换下的说话人识别方法

说明书

本发明涉及一种身份矢量x‑vector线性变换下的说话人识别方法，主要步骤是：对语音进行特征提取，并分别提取其身份矢量x‑vector和i‑vector；利用同一个说话人的x‑vector和i‑vector进行平行因子分析器训练；选取平行因子分析器中x‑vector对应的参数，在此参数基础上对身份矢量x‑vector进行线性变换得到xl‑vector；对新的身份矢量xl‑vector训练PLDA模型；将待测试语音进行特征提取以及x‑vector提取，将其输入到训练阶段得到的线性变换器得到新的身份矢量xl‑vector，最后将其输入到训练阶段得到的PLDA模型，从而得到最终结果。本发明在保证内存需求和计算速度和基线系统相似的同时，提高了说话人识别的识别性能。

技术领域

本发明涉及本发明涉及生物识别中的说话人识别技术，更具体地说涉及一种身份矢量x-vector线性变换下的说话人识别技术。

背景技术

语音是人类进行沟通交流的最直接方便的方式，它以其特有的方便性、经济性、准确性等各方面的优势引起了各个研究机构的注意。语音信号处理的研究对促进人机交互、人工智能发展有着重大意义。为此，语音信号处理的相关领域，例如语音识别、语音编码、语音合成、说话人识别等方向受到越来越多的关注与理论研究。说话人识别，又称声纹识别，其研究目标是根据每个说话人的独特发音进行身份认证。每个说话人的语音都有着独特的个人特色，这是因为每个说话人天生的发声器官不同，同时受后天所在的环境因素影响而培养成的属于自己的一个独特的嗓音。正是由于这种差异性，使得将语音作为一种生物特性作为识别目标成为可能，说话人识别也逐渐形成了自己的一套比较完善的识别体系。

说话人识别系统包括了预处理部分、特征提取部分、模型训练与匹配计算部分。说话人识别的关键技术包括特征参数提取算法，模型的选择和模型匹配算法，直接决定了识别系统的性能。说话人模型分为生成模型与判别模型。生成模型是学习各个类别各自的特征，即多个模型，识别数据映射到每个模型中，进而确定识别数据属于哪一类；判别模型是学习分类面，该分类面可用来区分不同的数据分别属于哪一类。这两个模型以基于全局差异模型(TotalVariabilityModeling，TVM) 的身份矢量i-vector、基于延时神经网络(Time-delayDeepNeuralNetwork，TDNN) 的身份矢量x-vector为代表，是目前使用最广泛的两个矢量模型。

x-vector的后端部分和i-vector后端部分一般均采用概率线性判别分析 (probabilisticlineardiscriminantanalysis，PLDA)的后端评分方法。x-vector模型下的结果与i-vector的结果在长时语音下相当，在短时语音下结果更好。不同的论文研究了如何提高x-vector模型下的系统性能，研究表明将i-vector和x-vector 的模型叠加或者PLDA得分融合可以提高系统性能，然而该种方法设计到两种系统，需要大量的内存需求，同时计算速度也会受到影响。随后，更多的研究通过数据扩充的方式来提高x-vector的鲁棒性，但是这种方法受识别环境影响。

发明内容

本发明的目的是提供一种考虑在线识别目标说话人的内存量和计算时间的说话人识别方法。

为了达到上述目的，本发明的技术方案是提供了一种基于身份矢量x-vector 线性变换下的说话人识别方法，其特征在于，包括如下步骤：

步骤1、提取说话人的训练语音的梅尔频率倒谱系数作为说话人的特征；

步骤2、利用步骤1获得的特征采用深度神经网络结构训练x-vector模型，建立身份矢量x-vector模型，从而获得身份矢量x-vector；

步骤3、利用步骤1获得的特征基于EM算法训练i-vector模型，建立身份矢量i-vector模型，从而获得身份矢量i-vector；