[发明专利]一种基于语音样本特征空间轨迹的说话人识别方法

说明书

本发明公开了一种基于语音样本特征空间轨迹的说话人识别方法，所述方法包括对无标注语音数据特征进行聚类、得到语音特征空间表示：标识子集合；使用标注语音样本进行说话人注册，得到说话人在语音特征空间中的分布信息和运动轨迹信息；对待识别语音样本利用说话人语音特征空间分布信息以及语音样本的运动轨迹信息进行识别。本发明采用说话人语音特征空间定位的思路，说话人识别计算复杂度低，解决了GMM‑UBM计算复杂度高的问题；并且一个语种的说话人语音特征空间可作为另一语种的说话人识别的语音特征空间，实现了数据的共享。

技术领域

本发明涉及生物特征识别领域，具体涉及一种基于语音样本特征空间轨迹的说话人识别方法。

背景技术

随着人工智能技术的发展，音频感知已经成为音频处理技术研究的热点，其中音频分类或音频识别是音频感知的核心问题，在工程应用中，音频分类表现为说话人识别、音频事件识别、音频事件检测等。说话人识别技术是身份验证技术---生物特征识别技术的一种。生物特征识别技术是利用生物特征自动识别个体身份的技术，包括指纹识别、虹膜识别、基因识别、人脸识别等。与其他身份验证技术相比，说话人识别更加方便、自然，且具有比较低的用户侵犯性。说话人识别利用语音信号进行身份识别，具有人机交互自然、语音信号易于提取、可实现远程识别等优势。

现有的说话人识别系统包括两个阶段：训练阶段和识别阶段。在训练阶段，系统使用收集的说话人语音为说话人建立模型；在识别阶段，系统将输入语音与说话人模型进行匹配来作出判决。说话人识别系统需要从语音信号提取能反映说话人个性的特征，并建立准确的模型区分该说话人与其他说话人之间的差异。目前常用的音频分类技术主要有两大类，一类是生成统计模型，如混合高斯模型GMM和隐马尔可夫模型HMM，另一类是基于深度神经网络的方法，如DNN、RNN或LSTM等。不论是哪一种技术，都需要大量的标注训练样本，为了达到较好的识别性能，深度神经网络方法对样本规模要求更高。基于GMM或HMM的方法对不同音频类之间的区分性信息并没有加以特别的考虑，也没有考虑不同类样本数据的共享,比如：MIT Reynold教授等的论文《Speaker Verification Using Adapted GaussianMixture Models》(Digital Signal Processing 10(2000),19–41.)提到的方法，具有较高的计算复杂度；在大样本支持下，深度神经网络方法表现出了很好的性能，比如谷歌公司的论文《End-to-End Text-Dependent Speaker Verification》(2016IEEE InternationalConference on Acoustics,Speech and Signal Processing(ICASSP),2016,Pages:5115-5119)中使用神经网络对语音提取特征并训练，但是神经网络的训练需要大量的有标注语音，而大量样本的获取成本是非常高昂的，而且深度神经网络方法缺乏解释性，相当一个黑匣子。

现有说话人识别技术往往计算复杂度较高，需要大量标注过的说话人语音数据来训练模型，而采集大量的有标注语音数据需要巨大的工作量。因此需要找到一种能够更加方便有效的说话人识别方法和系统。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于语音样本特征空间轨迹的说话人识别方法，其中语音特征空间是不依赖说话人、文本和语言的，因此语音特征空间的构建可以采用任何合格的语音数据，实现了语音数据的共享；而说话人语音轨迹，即使一个样本也能构建，因此不需要大量的有标注语音数据，克服了现有技术需要采集大量有标注语音数据的缺陷。

本发明的目的可以通过如下技术方案实现：

一种基于语音样本特征空间轨迹的说话人识别方法，其中一个语音样本能够视为语音特征空间的一次运动，具有活动空间和空间中的轨迹特性，所述方法包括以下步骤：