基于对话语音的与文本无关的说话人确认系统的研究

本文建立了一个基于对话语音的与文本无关的说话人确认系统 ,它和传统的与文本无关的说话人确认系统的关键不同在于 ,训练及测试语音不再只包含一个人而都是对话语音 ,因此需要分割出属于不同说话人的语音段 ,以建立说话人模型和实现最终判决。文中详细介绍了高斯混合模型 -背景模型 (GMM UBM)这种说话人确认系统的框架 ,重点讨论了基于GLR(GeneralizedLikelihoodRatio)距离测度的无监督语音分割算法。最终阐述的输出评分的规整方法即ZNORM (ZeroNormalization)和持续时间修正 ,可以使确认系统的性能提高近 10 %。

基于高斯混合模型的说话人确认系统

由于在人的话音频谱中 ,低频和较高频段含有较多说话人的个性信息 ,本文提出一种LPC倒谱的改进算法用于与文本无关的说话人识别。该改进算法通过话音频谱的各频段进行加权 ,突出说话人的个性信息 ,从而使说话人更易于区分。

基于支撑向量机的说话人确认系统

支撑向量机(SVM)是一种新的统计学习方法,和以往的学习方法不同的是SVM的学习原则是使结构风险(Structural Risk)最小,而经典的学习方法遵循经验风险(Empirical Risk)最小原则,这使得SVM具有较好的总体性能.文章提出一种基于支撑向量机的文本无关的说话人确认系统,实验表明同基于向量量化(VQ)和高斯混合模式(GMM)的经典方法相比,基于SVM的方法具有更高的区分力和更好的总体性能.

一个新的基于融合的说话人确认系统及DSP的实时实现

本文提出了一个高速、有效的说话人确认算法。该算法在高斯混合模型一合局背景模型(GMM-UBM)的基础上,采用一种新的融合方法有效的提高了系统的识别率和实时性。实时系统采用高速DSP芯片'rMS320C6701,实现了语音信号的实时处理。实验结果表明,该系统在识别率、算法的实时性等方面都比传统的方法要好。

一种改进的新型说话人确认算法

在单芯片上实现的说话人确认系统是说话人识别应用的重要方向。该文面向片上应用,在使用DTW(dynamictime-warping)匹配方法的确认系统基础上提出一种改进的说话人确认算法,结合说话人确认的任务特点对DTW算法进行了改进:1)引入分层判决思想,2)在判决中结合单帧说话人区分能力估计,使系统的识别性能得到改进。新系统能够在对模板应用压缩处理后仍然保持良好的识别性能。测试表明新确认系统不做模板压缩时的等错误率为1.81%,经过1:8模板压缩处理后新系统的等错误率为2.35%。