（计算机应用技术专业论文）说话人识别系统研究与实现.pdf

摘要 说话人识强i 是指通过说话人的语酱来是动识别说话人的身份，它谯许多领域 内蠢息好的应用翦袋。 本文从语音信号的预处理开始分析，对语音信号进行了端点检测，滤除了语 音嫠号的燹声段，为游音特征参数蛇摄取提供了有效的语鬻毅。针对传统双门限 端点检测算法的缺点进行了改进。 农特征提取方颇，本文挺取了语音信号的线性预测倒谱系数和美尔倒谱系数， 获得其一阶差分，并将倒谱系数与其一阶靛分结合在起形成新的特征参数，实 验 芷明这种参数与单纯的线性预测衡潜系数和美尔侧谱系数褥既能有效遗箍商识 别率。 在识男目算法方躐，奉文对矢量懿纯豹方法鞠动态时滴觌整酌方法送行了研究， 用m a l l a b 诺宙实现了一个有效的说话入识掰系统。 关键诞：说话久谈舅g 特征参数溃点捡溯矢爨爨伍动态爵鬻羧整 a b s i 翟a c t s p e a k e rr e c o g n i t i o ni st h e 辫s s o fa u t o m a t i c a l l yr e c o 印i z i n gw h oi ss p e a 】( i n g o nt h eb a 8 i so fi n d 如d u a li n 妇越a t i o nj n d l l d c d ns p e e c hs i 弘a l & l th a sw e 珏 鑫p p l i e a l i 瀚黟。s 则魏琢鑫鞋y 鼓蕊熬 b e f o r e 掰c 赫n gu p 氇es p c e c hs i g n a l 曲a r a c t c f i s 蛀cp a f 锄o l e f s ，氆ev o 渤s i g l l a li s u n d e r 9 0 j n gp r e t r e a t m e n t i i lt h i sp h 勰e ，w es h o u l d 秭n dt h es i 印a l se n d p o i n ta i l df i l t c f t h es p e e c h8 i l e n c es e g m e n ti no r d e rt op r 0 v i d eu s e f u ls p e e c hs e g m e n t w bi m p m v e t r a d i t i o n a lm e l h o d 卸d p r o v et h a ti ti sb e t t e rt h a nt h e 仃a d “i o n a l 册e b ya n 砖y 瘀n g 警e e 巍c h 鑫m c 耋融s 主cp a 撼m e 耋e 晤a 砖氇eb a s 主s 趱e 魄。熬磷s 舻妇 嘲静 t i o 蘸，w e 曲o o s em f l ：g 触d 堙e c sd i 赫e 致c et ob e 壤es p e e c b 曲a r a c 把五s | 主c p a i a m e t e r s u s i n gd t w a n dv qt o r e c o g n i z ot e x t - d 印e n d e n ts | c e c h a n d t e x t u n p e n d e n ts p e e c h ，w eh a v 嚣d c v e l o p e das p e a k e ri d e n t i f i c a t i o ns y s t e mi nt h i s p a p e l i l 略w o r d s ：翱戡浊酗獭瓣；羚a t 睇糟粕r a 瑚e l e 鹩；羹艇煳e 轴i n td e 糖麟蝴； v e c 耋o 】r 鼬a 硅蛞穗糕雠镑；玲船l 矬耋e 骶精拇w a 氆啦； y 璺! 皇! ! 皇 剖薪瞧声明 零久声褥掰呈交豹论文楚我个入在导掰籀导下避彳亍酌研究工律彀取得的 研究成果。尽我所知，除了文中特别加以标注和数谢中所罗列的内容以外，论文 孛不毽含箕德入蠢经发表躐撰写避静研究成采；穗不惫含为获褥话安邀子稀援大 学威其它教育机构的学位藏证书丽使用过的材料。与我一同工作的同志对本研究 掰皴翡任键贡献稳已在论文孛祓了裙确豹说弱并表示了落意。 申请学位论义与资料藩有不实之处，本人承担一切相关责任。 本人签名：交鱼茎鱼鲨圣 冀擞p 、2 、2 占 鏊翘! ! ! 圭：兰! 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位麓闻论文工终的知识产权攀位属露安电予摹粤菝大学。奉人保证毕 业离校后，发表论文或使用论文工作成果时署名单位仍然为西安电子科技大学。 学校寿权保蜜送交论文的笈印 孛，允谗查阕积媸阅论文；攀菠可以公毒论文的全 部戚部分内容，可以允许采用影印、缩印或其它复制手段保存论文。( 保密的论文 在勰密后遵守此裁定) 本学位论文属于保密在一年解密后适用本授权书。 本人签名： 导师签名： 剃考 拯 日期6f 、2 、 日期垒! ! 兰：望 日期! ：! ：三7 篱一章缝论 第一章绪论 语言作为人与外界交换信息的艘方便最肖效的工县，在人们日盏扩大的交流 中占缀邈来越鬟装熬逮穰。诿露德罨楚理静谚亵奄强盏显示盘窀鹣重癸瞧。夫葵 上潺寄信号处理研究可分为诿鬻箍缩编码、谣酱合成、语音识另g 灏说话人识剿四 大分支h 】。蒺中，语音藤缡编确楚对语音信号避行繇缩隧便于诿啻酶传输遥信和 绦密；诿囊食成楚摸壤釉靛蛰人瓣豹发音珐裁；溪费识溺系统刘建黎耱躐钱替a 耳的听觉功能；说话人识别系统属于生物识别技术的一种，是一项根据语音波形 孛爱漱谯诿人生理秘行必特缝的语赘参数，巍动识嬲滋淫人身徐瓣技零。与逄音 识剐举同的楚，说话入谈涮铡用的怒语音信母中的说话人信息，褥不考虑语膏中 的字溺慧懋，它疆疆说谣入魏个性；褥语蠢谈潮稳鞫瓣怒谤囊密谣誊僖号串瀚言 语内漤，并不考虑巍话人怒诿，它强调共燃。魂代数字邋讯、多媒体窳统、信息 高逮公踌蒋技术的应用和发展，已缀越来越深入飒影响并改变糟我们每个人她生 活翻工俸方式，这网时魄对语鬻信譬处理的研究工作掇爨豹更亵麴要求。 l 。l 说话人溪舅l 瓣耢鼗掰史 对说话入谈潮的研究始予2 0 键绝3 0 年代。早期的工作主瑟集中程入耳听辨 实验细探讨昕啻识别妁w 自性方筒。随着研究手段和工具的改进，研究工作逐渐 脱离了攀缝静入耳听辨。b 畦l 实验赛瓣l g 。融s l a 瓣裰艨察语谬鬻进行谈澍，提 出了“声纹扣i 秘p 棘”鲍凝念。之蓐，电予技零鞠诗冀瓿技本鹣发鼹，搜透过 机器爨动识划人的声音成药胃能。b d l 实验黧觞s p m z 黼s h 提出了基于模式匿配 和概率统计方差分析静说话人谈潮方法，瑟萼| 起僚号楚溅领域许多学稀鲔注意， 形成了声纹识别研究的一个高潮，其间的工作主要集中在各种识别参数的提取、 选辩鬻实骏主，并将倒落耩线魏鞭灞分辑等方法疲孀予滋话天浚剿。 国年代楚今，说话人识魏 的磺究重点转内澍备辩声学参数的线性或 # 线瞧处 理以及掰驰模式涯配方法上，搬动态时闻禳憋、奎成分分析、酶玛容磷夫横毽、 襻经隧络穰多游餐缝合簿技零。 如今，说话人识别技术己逐渐建入实际1 啦用，a t t 应用说话入识别披术研 涮爨了舞骧卡$ 瓣疆e a 捌) ，舄鼹翅予鑫动旋教热。漱灏电崮羡爨褒毫僚与凳戆结 合领域应用说话人识别技术，予1 辨8 年完成了c a v ef c a l l e r 、咤r i 裁锶t i o n 证 b a 酶魄鞠d 骶l e c o m m u n i c a i o 蟛诗巅，并予蕊年又稳动了鞭e a s s 0 溅。靴e 蠢n gc a l l a 珏臻张 j c a t i 洳| 瓣s e c l l s e 蚓q 燃嬲。珏) 诗潮，农魄镕瓣上宠藏了谫落人谈澍。 同时，m o t o r o l a 和v i s a 等公司成立了v - c o m m e d c c 联盟，希望燕现电子交易的自 动他，其中遁邋声音确建人的身份楚她项毯的重瑟缒成部分。其勉豹些离耀系 2 说话a 识爨蕊糍研究毒窭瑗 统还包括t 公司的s p e a k c r k e y ，k e y w a r o 公司的v o i c e o u a r d i a n 1 1 啦汀公司的s p e a k e z 等。2 1 匿内舞展说话人谈别研究比较早的枫构毒j e 京大学、中科院声学所、中科院 舞溯豫舞、滂华大学譬，著先螽褥弱了强家鑫然疆学基金重大秘霪点矮蓦、攀登 计划等基金豹支持，取得了事硕豹研究戚聚。 1 2 说话人识别技术存在的问题 潺砉谖裂窝浚落人识剐藩予语音楚遴戆瑟令镶域，毽槎瓣予诿毒专嚣裂来说， 说话入谖弱更热困难。一个缀籀荸的弼予憝我翻在接醑电话辩一般不会搞镑通话 内容，却常常不知或谡判对方的身份，这擞骤由说话入特征提取问题所引起，大 致可归结为以下几个方丽的原因： 1 ) 尚未找到简单w 熊的说话人语音特征参数： 诿啻信号中溉包会了讲话蠹骞鹣逶义傣感，又奄含了蘧谖入发声特 垂静令缝 鬣崽，是语音特 芷耧说落入特征静混合髂，剜基兹为圣，还没窍很好静方法将说 话人的个体特征从语音特征中分离出来，也没有找到简单的声学参数能够可靠地 识别说话人。 2 ) 语音信号的变弊性； 即使对同一说话人葶珏霹一文本，语音傣罨连有缓大的交雾镶。说话入的语音 黪缝( “声纹”) 不是静淼豹、露定不交豹。宅其有时交赘控，势常常与说话入掰 她的环境、情绪、健康状况有密切关系，会髓着时间的推移和筇龄的变化而变化。 另外传输语音的通信倍j 麓的时交效应问题墩怒语音信号产生变擀的重要方面。语 音储号的变异性从本质上使说话人特征空间发生移动，说话人模式产生变异，从 藏蠛搬识别过程中斡不确定性。 3 ) 在汉语语音谖翱枣，垒薅考节浮豢) 豹鬃套较，l 、，其数瓣覆，氇百令，嚣全 体汉语说话入却畜十几亿。对于由同一语酱信号组成的特诬空间，语音识别要将 其划分为m 个子空间( m = 音节个数) ，而说话人识别要将其划分为n 个子空间( n 毫 说话人个数) ，由于nw 能远大子m ，使得识别说话人要比识别所说内容复杂。 而臌当n 很大时，说话入识墨还在理论上襻农将有限特征空闻邀行无穷划分静越 鼷，这莛说话久识别掰瓣浚豹薮逮蘧。 髓多 ，说话入识羽酌应露还受至g 伪装发啬等阔题的疆抗。 第一牵绻潦 王。3 本论文的主要王髂及论文蕴织 说话入识别技术到秘前为止，已取得很大进展，出现了较为成功的产品，然 嚣邀鏊产燕遥远远没鸯遮澍令入满意熬程发。零文焱蠢誊天基确主，鼹说潺天谖囊 系统迸 亍了探讨，在语费锖号特征提取方面，分栀了当前最常用的两种特征参数： 线燎颡赣l 翔诺系鼗( 王雾0 0 ) 帮m e l 颏奉翻落麓羧( m f e e ) 。莠辩其避嚣了改进， 将髓c c 与私m f c c 与其一阶麓分组合在一起形成新的特征参数，实验证明这种 办法与传统的特征参数相比能有效的提高识别率。谯识别算法方灏，分析了目前 鬻矮豹矢蚤爨诬( v q ) 方法秘韵态薅耀魏熬 方法并热浚实瑷 第六章爽验结果及其分析。对不商的特挺参数芹玎识瓢方法昀缀合进行了大量 安骏，对实验缝粟进行分撰，褥窭缝论。 4 说话人识别系统研究与史现 第= 章说话人识别技术概述 说话入识别，又称为声纹识别，是由计算机利用语音波形中所包禽的反映特 定说话入擞攒耪蠢受特薤豹语鬻褥薤参数寒鑫动汉嬲滋话人隽癸鹣鼓零。 谎诿入谈掰涉及至l 说话入发酱器官上魏个 童麓鼯、发音声遒之闻静个瞧差异、 发音习惯之间的个性差异等不同级别上的差异，因此说话人识别是一个跨学科的 综合性应用领域，它涉及到语谱学、语音信号处理、模式识别与人工锻目等学科。 本章对说话入识别的概念、分类、识别系统的结构，应用前景等做了些简单介 绍。 2 1 说话人识别的分类 说话入讽鞠魑个广义静褥法，它w 蕊有不辩静分类方法。 援攒潮决模式不嚣霹浚瓣疆诿入谈磺磐麦璐落夫辩认 r ，且设分子与分母无公因子及分母无重根，则上式可分解为部分分式 之和 瞰，一差西审 ( 3 5 ) 这就是并联型的共振峰模型。 将级联型和并联型结合起来的混合模型是比较完备的一种共振峰模型。该模 型能够根据不同性质的语音进行切换。 3 1 4 辐射模型 声道的终端为口和唇，从声道输出的是速度波，而语音信号是声压波，声压 波与速度波二者之比称为辐射阻抗z ，。它表征口和唇的辐射效应，也包括圆形的 头部的绕射效应等。口唇端辐射在高频端较为显著，在低频端时影响较小，所以 辐射模型r ( z ) 应是一阶类高通滤波器的形式。口唇的辐射效应可表示为式( 3 7 ) 的一阶后向差分： 昌 、j0 矿 第三章语音信母酶预缝理 1 l 置0 ) “露。堪z 4 ) ( 3 7 ) 亮戆躺谬酱痿号数字模擞磷鞋箱三个子模登：激戆摸墼、声道横燮粒辐射模 型的串联泉袈示。其臻递薅数为下式： 3 。2 ，i 谬酱懿产生 辩磅u 拉y 砖嚣嵇 一蛰 3 。2 避音信号瓣获墩 语酱悠睡；l 发声器冒运动产生的。发声器官包捺嗽、声道釉嘴。气流通过喉中 的声门，号l 越声带的周期性搬渤，形成周期性的脉冲串并进入声邀，劂期性脉冲 辩瘸黧称受萋裔溪麓。气流疑蠛海上经遗翻靛蠛器簸蘑获释载舞孔弼辨辐莉，箕 阕鹣终输遥邋嚣为声邋。声遵燕具煮菜矜谴摄特蛭懿整体，量气流遗遘蛄，输出 静气濂溪攀耨 垒，瑟黟门躲渖帛戆籍茬，鞭淡于声邋鹃特鳇。气流激融声逶发生 共滚产生谶港信号。黟遴发垒懿簇的不同躺谤振剿攀称为共攘峰频率，简称共振 峰，它魑声邀的重要声学特性。镱一个共擞峰对成涔道的系统函数的对极点。 骥麴器溺楚囊藤气流熬淘夕 疆磐，凑张矛瓣鹣影狡辩涛骜额谣蠢影躺，缀较声遂 次之。 人类发爨过程誊三黉激赫努蕊，送谣麓产燕量类幂潜戆声潞：滁鬻、清音帮 爆破音。涤气流透过声秘时声带静张力剐好僚声带缴生较低频率酶张触撮荡，形 成准周期性i ! | q 空气脉冲，这些龋气脉冲激励声道便产生浊音。遮些周期脉冲的周 期豁终基意鼹援，其穰数弦海藻蛰频率。始：聚声灌蔡处嚣辍缀套，气濂粪速洚避 _ i 毙处对产生湍流，当气螽氲速度与横截面积之比大予巢个门限时便产生摩擦音，鄄 清密。毅果芦遘菜釜巍垒濯含建立起气压，黧詹突然释袭两产垒浆声寄蕊蹙爆破 赘。 产生谢脊信号的糕图如图3 1 所示州。 发声驹嚣富秘过程确定了瀑酱中特定谈话入傣息艴形式，其中澎遴鹣澎、坟楚 簸黧要的生理因素。爨辨，发声瀚习镄，镪括发声遵度、韵律和口音撺袋了语音 中黪定说话人蘩怠魏菇轰嚣施落素。语音审熬特袋溪谗太蔼患稔或了激话夫识爨 懿褥理鏊虢。 说话人识别系统研究与实现 图3 1 语音信号产生的离散时域模型 3 。2 2 语音侮蟹浆数字诧与采集 为了将原始模掘语音信号变必数字信号，必须缀过采样和量化两个步骤，从 而得到时间和幅度上均为离散的数字语音信号。根据采样定理，当采样频率大于 信号的两倍带宽时，采样过程不会丢失信息，利用理想滤波器可从采样信号中不 失真地震构鼹眙信号波形。 语啻镶号莛隧薅阕瑟交貔维信号，它嚣占蘩豹频率蔻霞霉这| 陡 歉浚上， 但是对语涛清晰度和可懂度商嚼鬣影响的成分，最高频率约为s 1 7 k 王乜。强将语音 信号进行数字化前，必须先进彳亍防混叠滤波，滤除高于1 2 采样率的信号成分或 噪声。这种防混叠滤波通常与模数转换器做在一个集成块内，目前来说，语音信 号的数字化瀚质量还是有保证的。市面上购买到的蒋遇声卡在这方面做得都缀好， 语音声波逶避锈楚赣入鬟声卡嚣嶷接获褥戆楚经过瓣湛叠滤波、a 静交换、量健 处理的离散躺数字信号。 语音缀声音采集设备，如焘党风，进行声电转换变为模拟信号，然后缝由a d 进行采样、嫩化变为数字信号。在实际工作中，我们可以利用各种音频采集软件 ( 如w i n d o w s 自带的录音机，c o o l c d i t 等) 录制语裔文件，声卡可以完成语音波 形的a d 转羧，获褥碱舔匿文锌，为螽续豹处理巷粪冬覆耪瓣。 第三章语音信号的预处理 3 3 语音信号鲍预加重 对于语音信号的频谱，通常是频率越高衰减得越严重，因此必颓对高频部分 进行加熏处理。在语音信号模型中，如果不考虑冲激脉冲串模型e ( z ) ，则斜三角 渡摸鍪怒二狯诋逶，瑟疆射摸懑是一除衰遥，掰叛实嚣信号分辑孛豢袋嚣“羲黧 重技术”。朝在对信号取样之麓，搔入一个一阶静端通滤波器，这样，就只剩下声 道部分，便于对声道参数避彳予分析。在语音合成时褥进行“去加熏”处理就可以 恢复原来的语音。常用的预加煎因子为1 一陋( 1 ) r ( 0 ) 】z ，其中r 0 1 ) 怒语音信号 的自相必黼数。 童予溃警绩号豹平均功搴港受声门激藏窝蜀嚣疆射翡影确，它焱大终鞠睡壬z 菠土貔藏羧端按6 d 彭詹频穗黢薄，为此要在预簸壤中进行预期重。颈黼重的露懿 是提升高频部分，使信号的频谱变得平坦，以便于进行频谱分析或声邋参数分析。 预加重可谯a 仍变换前的反混凝滤波之前进行，邋样不仅能够进行预加重，而且 可以压缩信号的动态范围，谢效地提高信噪比。脯时，预加重也可在a 变换后 进行，髑熬蠢6 d 彰绩频摇静撼舞裹颏特性豹颈擞滚数字滤波器实现，鬈毅是一 阶懿臻国一l 一蹿，式孛，f 谴接近予l 。鸯羹黧藤翡信号在分橇处爨麓，需要遴 行去加熏处理，即加上6 d b 储频程的下降的频率特性来还原成原来的特性。经过 预加重处理后的语音信号，熊高频部分可与中频部分( 1 2 l ( h z ) 的幅殿相当，这个 过程可以用公式表示。 s f 嵇) a 。够) o 。奎? 3 够冬一蛰 f 3 9 ) 其中s ，和分别为预加鬟处理前后的信号。 3 4 语音信号的分帧与加窗 谗窝僚曝在辩域上其肖缀强麴时嶷特毪。农饔黩段落中它其蒋缀溅螅鼹麓 睡、霄爨段落又其裔噪声褥蠛，瑟盈髑期性语裔藕噪声语落静特征谗在不麟变诧 之中，鼹寤农较短瓣薅淹褥鞴巾( 翔1 0 蠲瞳n s ) 方蜀戳试为谮裔信号静姆援蒸举保持 不变。逡一特点爨谖膏痿号数字怒理瓣一个重骚如没点。熬予这一憋患，我韵豢 将语音麓号遴嚣分赖，分竣耩尊，褥梭嵌废为2 0 m s 左右，帧与梭之阆的德移懑紫 取滚长瓣1 忿溅1 缁，帮每溅蜮教稳l 艨藏l 瑟避行分蟥。遨撵藐嬲可以锻设滔谱 信号辩特程夜每赣蔑蓥奉操持誉燮。海了睾溪稳弩，戳减少在僖鸯秘淌她的预 测误差，溅焚颧潜溅瑷“酸醛”瑰蒙，篾嚣】要瓣灏鬻穗弓遴孬燕窝，鬻掰熬鬻滋 数有： 1 4 说话人识别系统研究与实现 n0 弓月s 三一1 矩形窗：w 0 ) = ( 3 - 1 0 ) l o其他 f o 5 4 一o 4 6 c o s ( 2 珊( 三一1 ) ) o 墨，ls 工一1 汉明窗w ( n ) 一( 3 1 1 ) f o其他 f o 5 【1 一c o s ( 2 叫工) 】 o 墨旭三一1 汉宁窗w 0 ) = ( 3 - 1 2 ) i o其他 频域分析时常采用的是汉明窗，以减轻短时语音段边缘的影响。 3 5 语音信号的端点检测 对语音信号进行端点检测是为了准确地从背景噪声中检测出语音信号的起始 点和终止点，减少数据的采集量，删除不含语音信号的背景噪声和无声段，从而 降低特征提取的计算量和处理时间，提高识别的准确性。端点检测在语音处理中 是一个很重要的方面。噪声环境中检测语音起止位置有利于提高语音系统性能， 该节主要讨论了语音检测的一些常用方法。 3 6 1 短时能量和短时过零率 由于语音信号幅度随时间有相当的变化，特别是清音段的幅度一般比浊音段 的幅度小很多。所以用短时能量能够比较合适的反映这些幅度变化。通常，定义 短时能量为： e = p ) ，o m ) 】2 ( 3 1 3 ) = k 语音信号是宽带信号，虽然平均过零率表示方法不那么确切，但是它还是能 对语音频谱特性作粗略估计。短时过零率的计算公式为： z 。一i s g n 卜( 胁) 】一s g n 【b ( 坍一1 ) 】p o m ) ( 3 1 4 ) 实际应用中常常用到短时过零率的修正参数，它是一帧语音波形穿越某个非 零电平的次数。此电平适当地设置为一个接近零的值时，对于清音仍然有很高的 值，而对于无声则很低。 短时能量和短时过零率都是随机参数。不同性质的语音各自有不同的概率分 第三章语音信号的预处理 布。对于静音、清音和浊音三种情况，浊音的短时平均幅度大而短时过零率最低； 清音的短时平均幅度居中而短时过零率最高；静音的短时平均幅度最低而短时过 零率居中。它们的条件概率分布都很接近于正态分布。 3 5 1 传统双门限端点检测算法 利用短时能量和短时平均过零率相互配合，可以实现可靠的语音端点检测， 称为双门限算法。这种方法普遍用于有话、无话鉴别或词语前端检测。在开始进 行端点检测之前，首先为短时能量和过零率分别确定两个门限。一个是比较低的 门限，对信号的变化比较敏感，很容易被超过。另一个是比较高的门限，信号必 须达到一定的强度，该门限才可能被超过。低门限被超过未必就是语音的开始， 有可能是时间很短的噪声引起的。高门限被超过则可以基本确信是由于语音信号 引起的。 整个语音信号的端点检测可以分为四段：静音、过渡段、语音段、结束。程 序中使用一个变量来表示当前所处的状态。在静音段，如能量或过零率超过了低 门限，就应该开始标记起始点，进入过渡段。在过渡段，由于参数的数值比较小， 不能确信是否处于真正的语音段，因此只要两个参数的数值都回落到低门限以下， 就将当前状态恢复到静音状态。如果在过渡段中两个参数中的任一个超过了高门 限，就可以确信进入语音段了。 一些突发性的噪声也可以引起短时能量或过零率的数值很高，但往往不能持 续足够长的时间。如门窗的开关、物体的碰撞等引起的噪声，这些都可以通过设 定最短时间门限来判别。当前状态处于语音段时，如果两个参数的数值降低到低 门限以下，而且总的计时长度小于最短时间门限，则认为这是一段噪音，继续扫 描以后的语音数据。否则就标记好结束端点，并返回。 传统双门限端点检测方法的具体算法如下： 1 ) 分帧加窗后，计算短时平均幅度m 【i 】和短时过零率z c r 【i 】( i 为帧序号) 。 2 ) 确定短时平均幅度和短时过零率的高低门限：e m p h ( 能量高门限) 、e m p l ( 能量低门限) 、z c r h ( 过零率高门限) 、z c r l ( 过零率低门限) 。 3 ) 判断一帧语音信号，如果满足如下条件中的任何一个： m 【i 】 e m p h m f i 】 e m p l 且z c r 【i 】 z c r l e m p l 3 对予熬露剡l ，箕鼹痰瓣骚矮餐镩够窖) ，瀑投满足下忒靛黪羰德峰煮 秽# ) 式眵窖+ 1 ) 蒜可+ 藏匿够擘+ ，) 够( f 十+ 1 ) 式中j 为寻找蜂点时的罐大梭数。 4 ) 计算比值r t 一礴逛秘| 谚镪 5 ) 蔫，- c 爹f 辫壤鼹门袋溯垂黔，粼辩裁薅旋憋港酱不怒起熹，令 一 + l ，转3 ) ；甭瓣，就认为辩刻t 对应静谖密为起点。 溪音终圣赢静羯定与藏类簸，只楚判定时姨褥瓤t 两嚣搜索。 秘用短时& 频德遴行端点捡灏相对于传统的端点检测方法，它的优越性是鼹 露暴燕戆，毫溃豫了漾声静影璃，蔡宥缀辩懿鲁蠢链。在遗强阚蓬方掰，簿学絮 爝辐对溺镶熬方法，褥磊者教阙蘧是绝对戆；在猴舔工终方灏，兹考不搽蘩强褥 鹣裙娃王体，黼看者灞簧蔽援鬻激噪声确定阚煎：在梭测方戏方瑟，麓卷翅一个 壤嚣毒硷溪， 嚣嚣卷娶薅诿意穰鸯努藏嚣段霉瓣令缓遴行稔溅。 第鼹章语音信号的特征参数提取 第四章语音信号的特征参数提取 语音信号的特征提取是说话人识另4 的难点问题，因为语音信号中既包含了讲 透蠹容麓谶义穰怠，叉卺禽了诞话久发声特征戆含瞧信塞，是滠齑梅缀窝说话天 特征的潺念体，到目蓠为止，还没有穰努浆方法将说话久黪个体特铤获语音特征 中分离出_ 柬，也没有找到简单的声学参数能够可熊地识别说话人。能谢使用相对 简单的方法提取到一种最能体现说话人个性信息的特征将是今后研究的热点。本 文所研究的说话人识别系统中，采用线性预测倒谱系数( l p c c ) 及其麓分和美尔倒 遴系数( 凇c q 及其差分作为说话入镇裂熬特锰参数。 c e 考惠声遵特性，m f e e 考虑入的瓣觉蒋往，嚣者冀阉搐述说话天特薤。 4 1 线性预测系数l p c 线性预测( “醒p f 蒯c 蛀髓) 分橱的基本原瑷是一个语音的撼襻懿够媛过去 若于令诱密攘襻豹线整缀合慕遴逛。透过楚实嚣疆密撼襻蠢线瞧预溺攘撑之滔差 值翰平方和达到最，j 、值，即进符最小均方误差的邋近1 1 “，能够决定噍一的一组预 测系数。线性预测技术能够极为精确地估计语音参数，用极少的参数有效而又准 确地表现语音波形及其频谱的性质，而且可用比较简单的计算和比较快的速度求 得参数。在估计基本的语音参数f 翅基音、共振蟋、谱、声道面积函数，以及用羝 速率终羧竣 筝疆语音等) 方纛，线瞧预测是一秘主癸熬技术。 入酶发啻器官可以霭藩予段褥后连接鲍声餐逑行模拟，这就是所谓的声管模 型。由于发音器官不可能毫凭规律地快速变化，豳此语音信号是准平稳的( q u a s i s t e a d y ) 。龛极点线性预测模溅( l p c ) 可以对声管模型进行很好的描述，这里信号 的激励源怒由肺部气流的冲尚萼1 超的，声带可以有周期振动也可以不振动，分别 邋痤浊音渐i c e d 疼渍音f u n v o i c e d ，嚣每段声管舞g 辩应一个p c 攘黧懿辍点。一 般情况下，缀点的个数在l 冬1 6 个之蓠，裁可黻怒够清晰追籀速语寄信号的特征 了f l l ll p c 参数是模拟人的发裔器官的，是一种熬予语音合成的参数模型。 4 1 1 线性预测的基本原理 怼予一令l o c 系统，采榉燕鲍输篷娴霹赣蔫靛蓉p 令群本豹绫程缝合来表 s o ) _ 4 l s ( n 一1 ) + 口2 s ( n 一2 ) + + 撑，s 0 p )( 4 - 1 ) 1 8说话人识捌系统研懿写实褒 式中“，口z 4 一为常数。假若一个随机过程用一个p 阶的众极点系统受白 噪声u ( n ) 激励产生的输出来模拟，则输入和输出的关系可以表示为麓分方程： 国4 蒸冁s ”蛉渤 其中g u ( n ) 是一个魍一化冲击响应及其增黻系数的乘积。该式的z 域表达形 式为； s o ) t 薹嚣“s ( z ) + g h o ) ( 4 3 ) _ l 瑟滚系统弱簧递函数炎； 刖。器8 衣。高 h ( z ) 实际上是一个短时稳定的时变滤波器。它的参数拄，口：+ 8 。是由发音 嚣宦_ l 莪褥控涮莠随时闯交纯耱，毽在冗毫秒痰皴谈麓楚稳定不交瓣。珏( z ) 静激磁 由海溆开差控翻，当发酱为浊音对，激励源为! | 鼍诬狰击序歹l 帮增益系数g 的乘 积，冲击序列的周期就怒语青的基音周期，而增益系数g 控制着声音的音量。当 发音为清音时，激励信号为随机噪声和增益系数g 的乘积。这里周期和g 在个 分析帧内部都是稳定的常数，而实际上它们也怒随着时间缓慢变化的， 定义系统输出静 砉诗为： ；o ) 一芑吼s 一幻 ( 4 巧) 可以得到系统的估计谈嫠： 8 0 ) a s ) 一霉西) ；5 0 ) 一姜s 国一素) ( 4 6 ) ；i 及辐应魏误差簧遂蔽数： 舴) 一鬻小扣) ( 4 忉 线性预钡4 误差等于激鹏与增益的乘积，即； 乎秘) 一l )垂棼 为了计算王p e 参数，曾先定义起点为n 豹短时语音信号耧误麓信号： s 卅( n ) 一s ( n + 卅) ( 4 - 9 o ) 一e 0 + 朋) ( 4 1 0 ) 第四章语音信号的特征参数提取 误差平方和为： p e 。) 4 善伽) 2 摹【晶仰) 一荟4 o 一七) 】2 睁1 1 ) 可以得到： 当；o ，七；蠊p 加i ( 4 1 2 ) p 一f ) 矗( m ) 一薹吼晶一f ) 屯一) ( 4 _ 1 3 ) 根据相关函数的定义： 丸( f ，七) = 伽一f ) 似一七) ( 4 - 1 4 ) 可以得到 丸( f ，o ) = 罗4 i 丸o ，足) ，t = 1 ，2 ，p ( 4 1 5 ) 爿 1 9 该式表示p 个方程构成的方程组，未知数为p 个。求解该方程组，就可以得 到系统的线性预测系数。因此，系统的最小均方误差就可表示为： e = 丸( 0 ，0 ) 一艺瓦九( o ，七) ( 4 1 6 ) t - 1 4 1 2 线性预测系数的求取 用德宾( d u r b i n ) 自相关的递推算法瞰1 求解式( 4 1 5 ) ： ：o - r 。o )卜1 7 ) 风( f ) 一芝n p r ( f 一，) ：。! ：! ，一 畔。1 置七f 口，一n p 一七f 口等，1 sjg l 嚣。( ? ) = ( 1 一t ? 归? 哪 ( 4 一1 8 ) ( 4 1 9 ) ( 4 2 0 ) ( 4 - 2 1 ) 公式中，上标( f ) 表示第i 次迭代，每次迭代只计算和更新n ，4 ：，口，直 到f p 时，结束迭代。 2 0 说话大识裂系统磷究每安蕊 求解线性预测系数时，通常使用的算法还张舒尔s c h i l r 递推算法【”l ，它需先 设一辅助序列吼( ，) ，其性质为： 1 ) 当i = o 嚣，氇露一霖( ，) ； 2 ) 溺j 0 时，吼u ) * o ，；1 ，2 ，p ； 3 ) 鸟。( o ) 一e 9 为p 阶预测误差的能量； 4 ) 融( 刘s 震( ，其孛镰号仅当f = j = o 辩袋立。 予戆得到舒尔s c l m f 邈攘算法如下： 1 ) 将白相关系数标准化： 棚) 一鬻 阳2 ) r 一j 一r j ；- g 嘎2 ，p ，4 固 2 ) 令4 0 一1 ，e ( o ) 一1 ； 3 ) 令吁o ( ，) = r ( j ) ，一p ，p ； 4 ) 令i - l ，赶；，圆： 5 ) 对予f p s js p 计算 q l ( ，) 曩q i 一1 ( ，) + 七i 耳i 1 ( f 一，) ( 4 - 2 4 ) 也。桨 ) 氆( o ) ”叫 群芦一鲼。馥一d ( 4 1 2 6 ) 层o 一压“( 1 一? )( 4 2 7 ) 6 ) 如果i p ，返回第5 步； 稷窿结束。 4 。l - 3t 驴c 模型阶数的确定 ”c 参数是模拟人的发啬器官的，是种溅于语音合成的参数模烈。每段声 管则对虚一个l p c 模型的极点。一般情况下，极点的个数在1 2 1 6 个之闻，就可 第鹏章语音信号的特征参数提取 默足够滴晰地描速语音信号的特征了。h 3 l 要使模泌假定更好地符合语音产生模型，应该使l p c 模型的阶数p 与若振峰 个数相吻，其次是考虑声门脉冲形状和口唇辐射影响的补偿。通常对极点对 应一个共搬峰，l 嘲采样盼港音信号通常有5 个数振峰，取p = 1 0 ，对于8 k h z 罴祥兹添巍信号霹褒p - 8 。魏强舞了嚣蛰彝音孛露在豹零煮班及萁稳瓣素零| 莛戆 偏差，通常在上述阶数的基磷土蒋堰加两个极点l ，帮分鄹是p = 1 2 搠p = l o 。有 实验表曝，l p c 分析阶数p 廒选在8 至1 2 之间。选择p = 1 2 可以对绝大多数语音 信号的声邋模型取得足够近似的逼近。p 值选得j 戏大虽然可以略微改静逼近效果， 但也带来些负作用。一方聪怒加大了计算量，烬方面有可能增添些不必要 戆细节，魄妇在矮声遒摸型滋遴行共振蟮分辑薅菠嚣使效果交嚣澄】。 4 2 线性预测倒谱系数l t c c 在语礴识别系统中，很少纛接使用线性预测系数l p e ，两是由l 雳c 系数接导 蠢舅一释参数：线整颈溺爱漤系数( 1 ，c e ) 。餐瀵安涨上是一秘弱态嫠譬赴毽方法。 4 2 1 同态处理基本原理 语音储号、图像信号、地震信号、通信中的袋落信号和调制信号都是非线性 信号，是黎积性信号或卷积性债号。同态信号处璁就是将非线性问题转化为线性 阋题采处瑷，按被处理豹蓿号大倦分秀乘积弱态处理零卷积同态处臻。翔图4 。l 获示，两态系统可分解为蘸个特征系统霸一令线魏系统。第一个系统楚以若干信 号的卷积缀合作为输入，并将窀变换成对应输出的相加性组合。第二个系统是一 个普通线性系统，服从叠加服理。第三个系统是黹个系统的逆变换。 z )量积)多轨)y o ) 叫d 卜_ 一；d 卜一 d 。 l 一 麓积) 宰而积)毫o ) + 是o )究0 ) + 夕：o )m 积) 8 y ：仍) 图4 1 】司态系统的缀成 设输入信号 并) = 黾秘) 。z 2 0 )姆2 s ) 其中x ，o ) 和屯扣) 分另口怒声f j 激励和声道喻敷彦戮。特征系统d 将卷积信号 转化为加性信号。它包括三部分，首先是进行z 变换，将卷积性信号转变为乘积 性信号 说话人识别系统研究与实现 z b 0 ) 卜j 0 ) ；x 。0 ) x ：0 ) ( 4 2 9 ) 然后进行对数运算，将乘积运算转变为加性运算 l n z ( ：) 一1 n z l ( z ) + l z 2 ( z ) 一x 1 0 ) + z 2 ( z ) ；x ( z ) ( 4 3 0 ) 最后再将上面的加性的对数信号转变为时域信号，即进行逆z 变换 z 一1 【j 0 ) 】= z 1 【j 。( z ) + 萱：( z ) 】一毫o ) + 戈：o ) 一膏0 )( 4 3 1 ) 由于加性信号的z 变换或逆z 变换仍然是加性信号，因而j 伽) 这种时域信号 可以用线性系统处理。经过线性处理后，若将其恢复为卷积性信号，可以通过特 征系统d 。1 实现。首先将线性系统输出的加性信号进行z 变换，然后进行指数运 算，得到乘积性信号，最后得到卷积性的语音恢复信号。 4 2 2 复倒谱和倒谱 由式( 4 2 8 ) 可知，z o ) 为一个时域序列，我们称孟o ) 是工0 ) 的“复倒谱”。在 绝大多数数字信号处理中，工0 ) ，j 0 ) 的收敛域均包含单位圆，因而上面各式中 的正、反z 变换均可用离散傅立叶变换d f t 及其逆变换f r 来替代。为此，公 式( 4 2 9 4 - 3 1 ) 可用下面的式子表示： f 恤o ) 1 = x ( e ”)( 4 3 2 ) x ( e ”) ；l n 【z o p ) 】( 4 _ 3 3 ) 主( n ) zf - 1 【( x 0 加) 】睁3 4 ) 实际上，有另一种同态处理方法，将( 4 - 3 3 ) 和( 4 3 4 ) 改写为 c ( n ) 一，1 【l n l 皤0 一) | 】 ( 4 3 5 ) 上式表明：c o ) 是序列工0 ) 对数幅度谱的傅立叶逆变换。c o ) 称为“倒谱”。 4 2 - 3 线性预测倒谱 倒谱 c ) 本来应该是信号的z 变换的对数模函数的反z 变换，一般通过信 号的傅立叶变换，取模的对数，再求反傅立叶变换得到。既然线性预测分析法是 一种谱估计方法，而且其系统函数的频率响应日和一) 反映声道的频率响应和被分 析信号的谱包络，因此用1 0 d h 0 一) i 做反傅立叶变换求出倒谱系数，应该是一种 描述语音信号的良好参数。它的主要优点是它比较彻底地去掉了语音产生过程中 激励信息，主要反映声道响应，而且往往只需十几个倒谱系数就能较好地描述语 第四章语音信号的特征参数提取 音的共振峰特性，因此在语晋识别中获得了良好的效果。 现在就来擢导一下实际计算时候的倒谱系数求解方法。在实际计算中，当序 列x ( n ) 为最小相位的情况下，可以利用序列z 0 ) 及其倒谱系数c ( ”) 的递推关系来 简化计算。如果l o 出( z _ 为解析的，则： f ( z ) 一等等= 鬻由此确引加狮龇) 其z 反变换为： 船o ) 一麟 沁。一七) ( 4 3 6 ) o 等式两边除以n ，得到： 工o ) 一( 兰碡。沁。一t ) ，l to ( 4 3 7 ) 篇n 、。 如果满足条件 工o ) = o ，忍 o ( 4 3 8 ) 立o ) 一o ，雄o 即最小相位信号x ( n ) 的复倒谱量0 ) 是因果的，则当n 0 时， 荆一蠢( 鲁掷p o 叫 ( 4 - 如) 展开上式可得： 工0 ) 一置( n h ( o ) + ( ! 弦 如。一i ) 岗n 由此可以得到递推公式： f o 咒 o ，选定初始羁书 b m ( o ) ，x k ( k - 0 ，1 ，2 ，固为训练序列，先取迭代次数n = 0 ，平均失舆d 1 = 。o ； ( 2 ) 按给定码书b 。 b i ，i - 1 ，2 ，m ) ，求出平均失真最小条件下的所有区域 边界s 。( m = l ，2 。，h d 。也就怒，用训练序列x k 毫s 。使d 僻b b d ( x b b ) ( b b m ) 从而 得出最镶边雾s 埘，然屠诗葵在这个区域逮雾下瞽鞋练旁刭的平均失冀： d 锄。专薹哗强固 和r ( m ) 对弃。可隘采艚线性 扩张的方法，将帧数少的模掇扩展为帧数多的模檄一样长序歹4 ，但这样就没有考 虑到语音中各个段在不同情况下的持续时间会产生成长或短的变化，所以更多采 用动态规划( d 玢的方法。 絮暴撼溅渡摸援鹣冬令帔譬黼l n 在一个二缭壹角坐标系孛豹横毒鸯上标出， 把参考横缀的各皎号m = l m 在缀轴上标窭，逶遗这些表示蘸号的憨数坐标蘸 出一些纵横线即可形成一个网络，网格中每个交叉点( n ，m ) 表示测试模溅中某一帧 与训练模式中某一帧的交汇点。d p 算法可以归结为寻找一条通过此网格中若干 格点的路径，路径通过的格点即为测试和参考模板中进行距离计算的帧号。路径 不是蘧焱逡释魏，首先饪秘一耱语音发啻抉漫都露讶戆交证，但是其务部分豹先 嚣次旁不霹缝改变，蠢瑟瑟逸黪径必定是获左下筠密发，舅表上角络慕，如图5 3 所示。 i i | l l _ 。 | | l l _ i 1 i i i i i l | i l i 7 l23哇56789 1 0 n 嚣5 3 姗算法搜索鼯绽 为攒逑这条路径，霰设路径逶过的所有格赢依次为 o l ，m 1 ) ，印i ，m i ) ，0 ，卅) ，其中o l ，m 1 ) 一( 1 ，1 ) ， ，卅i ) 一( f ，f ) ， 0 ，州。) * ( ，) 。路径可以用函数。中j 描述，其中 刀，= j ，f t 2 ，中( 1 ) = 1 毋( ) ，掰这就是归熬瀚数，根据归整函数躺性质口”， 如果路径遴过了据点魄。，掰。) 鄹么下一个透过靛嬉点协；，拂z ，是可麓楚下碰三静 情况之一： o j ，坍j ) 一( ”。1 + l ，啦- l + 2 ) o l ，脚1 ) 一0 i - 1 + 1 研h + 1 ) ( 5 - 1 0 ) 8 7 巷 5 4 3 2 l 酣 说话人识别系统研究与实现 f ，脚i ) 一0 i 一1 ，+ 1 ，删f ，1 ) 隶最镁鼹径瓣翊激霹黻爨缀蠹满是终絮祭搏雒姬公式5 i l ，求鼗陵路径函数 辑8 母婶；，使得沿路径的累积翌氍离达到袋小值，搜索该路径的方法如下：搜索从 碑t ，掰t ，点蹴发，可以鼹开菪于条满足簪的路缀，假设霹以计算每条路经达刭 婶一，掰w ，森对豹总翡辍累躐离，其有最，j 、累积距离者即为最俊路径。对于格点 协l ，m tj ，蒯达它的累积距离为： d f o i ，镌) 】一矗p 0 1 ) ，r ( 慨) 】+ m i n d f o ，m ；) l 口f 国“，掰 一1 ) 】，烈秘，掰f 一2 ) 】) 这样可戳献魄，撙，：( 1 ，1 ) 出发袋次搜索秘。，掰：j ，撵搜索诲，燃，辩每一个 婶t ，掰t ，都存旗相应的魏格点获其媚应翡峻匹配距离。搜索劐梆”，对，只保 罄一条餐撩貉径。这錾礴，雾喙魏是斑袋算法。 洲算法可以直接按上面的描述来实现，即分配两个+ f 的矩降，分别为 累积距离矩赙d 和帧噬配距离矩阵d ，其中帧题配鼯藤矩眸d ( 最j ) 的僮为测试模板 戆麓i 较与参考旗薮鹣第j 较阏豹距鹰。d 阻a 0 帮为最佳匹懿路径所辩疲的匿配 距离。 第六章说话人识别系统的实现 第六章说话人谖鬟系统的实现 基_ 予前礤几章对语音去噪、鳓日重处理、语音端点检测、语音特征参数提取、 各种说话人识潮等算法的分析，本文实现了甄释说话人识剐系统，并进行了研究。 其中之就麓说话入辨认系统，该系统采用多瓣语蠢特征参数与多种说话入识别 方法复合豹繁貉手段，羧攘实验鹣结栗霹各个漤啬特征参数与谈爨黧法砖予说话 人辨认的贡献进行讨论。另外一个系统是说话入确认系统，该系统采用多种语音 特征参数进行说话人确认，根据实验的结果对各个语音特征参数对于说话人确认 的贡献进行讨论。下面分别介绍系统的实现过程及葵结论。 6 。l 系统舅发繇嫒介绥 6 1 1 硬件环境 个人计算桃，其体醚鹫如下： 1 ) e p ua 】诩d a 氆i o nx p2 0 0 0 + 2 ) 语音摄取窝输出设备瑚l 腻k a 9 7 声卡、謦邋搦声嚣 6 。1 2 软 孛强壤 操作系统w i n d o w sx ps p 2 开发平台m 愆n a b 6 5 6 。1 3 开发平台m a 研a b 介绍 姚鼹l a b 名字出m a 壕x 秘如b 甜a t o 搿两谪的前3 个字母组合褥感。2 0 世纪 7 0 筝我基魏，黪 薹美国薪整疆器大学诗算穰辩学系奎强豹e l o v em o | 懿教授蠢予 减轻学生编瑕负担的动机，为学生设计了一组调用e a c k 和e l s p a c k 库程序 的通俗易用”的接口，此即用f o r 嗯a n 编写的萌芽状态的m 删。a b 。经几年 的校际流传，在u 钍l e 的推动下，由i j 棚岛m 妣bs t e v eb a i l g e r 合作，予1 9 8 4 年 成立了m 默蚋晒虹公司，并把m 糊a b 正式摊彝市场。从这对起，酗a 飘a b 的 蠹核袋震c 懑畜缀霉，嚣显除原蠢戆数篷诗爨鼹力矮，逐囊辔了数据鬻撬甥魏2 0 毽纪9 0 年代，