[发明专利]一种基于音素滤波的说话人识别方法

权利要求书

1.一种基于音素滤波的说话人识别方法，其特征在于，分为模型训练阶段和测试阶段，其中模型训练阶段包括语音预处理、音素识别、音素滤波、池化、说话人识别、最小化交叉熵阶段；测试阶段包括语音预处理、音素识别、音素滤波、池化、说话人识别阶段；

所述模型训练阶段，具体包括以下步骤：

1-1)语音预处理

训练语音数据集为(xⁱ，zⁱ)(i＝1，…，I)，xⁱ为第i条训练语音，zⁱ为第i条训练语音对应的说话人标签；对训练语音xⁱ进行分帧并提取每一帧对应的梅尔倒谱特征表示第i条训练语音第t帧的特征，T_i表示第i条训练语音的总帧数；

1-2)音素识别

根据步骤1-1)提取的梅尔倒谱特征利用音素识别器，识别每一帧语音的音素；其中为第i条训练语音的第t帧对应的音素，N为音素总个数；

1-3)音素滤波

为音素n(n＝1，…，N)构建它特有的音素滤波器f_n，f_n可以是一个深度神经网络，也可以是其他线性或非线性函数，参数为θ_n；音素滤波器输入为步骤1-1)提取的梅尔倒谱特征输出为滤除音素信息后的特征根据步骤1-2)得到的音素若则选择对应的音素滤波器f_n，即：

1-4)池化

将训练语音的所有帧对应的滤除音素信息后的特征进行池化，得到该语音对应的滤除音素信息后的特征的均值，其中，第i条训练语音对应的滤除音素信息后的特征的均值为：

1-5)说话人识别

构建一个说话人识别网络g，q可以是一个深度神经网络，也可以是其他线性或非线性函数，参数为φ，输入为语音滤除音素信息后的特征的均值yⁱ，输出为该语音对应每个说话人的概率z′_i＝g(y_i；φ)；

1-6)最小化交叉熵

目标函数为最小化通过模型预测得到训练语音对应的说话人的概率z′_i和标签z_i之间的交叉熵，即：

通过最小化该目标函数，训练得到每个音素对应的音素滤波器f_n(n＝1，…，N)的参数θ_n(n＝1，…，N)和说话人识别网络g的参数φ；

模型训练阶段结束，得到每个音素对应的音素滤波器f_n和说话人识别网络g；

所述的测试阶段，具体包括以下步骤：

2-1)语音预处理

对测试语音x进行分帧并提取每一帧对应的梅尔倒谱特征x_t(t＝1，…，T)，x_t表示测试语音第t帧的特征，T表示测试语音的总帧数；

2-2)音素识别

根据步骤2-1)提取的梅尔倒谱特征x_t，利用步骤1-2)所用的音素识别器，识别每一帧语音的音素；q_t＝1，2，…，N，其中q_t为测试语音的第t帧对应的音素，N为音素总个数；

2-3)音素滤波

根据步骤2-2)得到的音素q_t，若q_t＝n，则选择模型训练阶段训练好的音素滤波器f_n作为x_t的滤波器，测试语音的第t帧特征滤除音素信息后的特征为：y_t＝f_n(x_t；θ_n)；

2-4)池化

将测试语音的所有帧对应的滤除音素信息后的特征进行池化，得到测试语音对应的滤除音素信息后的特征的均值，即：

2-5)说话人识别

根据模型训练阶段训练好的深度神经网络g，对测试语音对应的说话人进行识别，得到语音属于各个说话人的概率z′＝g(y；φ)；

完成测试语音对应的说话人识别。