[发明专利]基于复合声学特征和低秩分解TDNN的说话人识别系统及方法

说明书

基于复合声学特征和低秩分解TDNN的说话人识别系统及方法。对输入的语音信号在预处理后采用MFCC和归一化互相关函数进行声学特征提取，将两种特征复合；在说话人模块中，将复合声学特征输入低秩矩阵分解TDNN进行帧级别特征提取，再经过统计池化层后，通过两个全连接层和一个softmax层完成段级别特征提取，并得到输入语音对应的特征向量。上述方法在采用低秩矩阵分解对TDNN进行优化，能够显著减小参数规模，加快训练速度；同时在网络中采用跳层连接，以减少梯度消失的出现；相较于常规声学特征提取在MFCC特征的基础上增加了归一化互相关函数进行音高特征提取，弥补了单纯采用MFCC对高频信息的损失，增加了特征的多样性，提高说话人识别的准确性。

技术领域

本发明属于声纹识别领域，具体地说，涉及一种基于复合声学特征和低秩矩阵分解TDNN的说话人识别方法。

背景技术

声纹识别，也称为说话人识别。对说话人辨认问题，即对于某段语音，判断是若干人中的哪一个个体，从而可以将其应用于多种应用场景下，如会议语音记录、银行信息匹配等。

声学特征提取是说话人识别中重要的一部分，对于特征参数的要求除了能将语音信号转换为计算机能处理的语音特征向量，还需要其符合类似人耳的听觉感知特性。同时，作为语音的特征参数，需要在一定程度上增强语音信号，抑制非语音信号。其中最常用到的特征参数为梅尔频率倒谱系数(MFCC)。MFCC可以准确通过语音短时功率谱的包络中显示描述声道的形状。然而MFCC更多提取低频信息，而往往忽略高频信息对声纹识别的作用。

归一化互相关函数(NCCF)可以对音频的音高特征进行有效提取，可以有效弥补上述声学特征的缺陷。

神经网络模型广泛地应用于说话人识别的模式匹配。例如，x-vector系统采用时延神经网络(TDNN)，取得了很好的效果。但是，单纯的TDNN网络也存在一些欠缺可以进行优化，比如参数过多，训练时间过长等问题。

低秩矩阵分解的基本思想是，将原来大的参数矩阵分解为多个较小的矩阵，这样分解后的小矩阵计算总量小于原始矩阵。低秩矩阵分解的常见方法有SVD、CP分解、Tucker分解等等。其中奇异值分解(SVD)：对于m×n阶矩阵M，存在一个分解M＝U∑V^*，其中U是m×n阶酉矩阵，∑是n×n阶对角矩阵，V^*表示V的共轭转置，是n×n酉矩阵。该分解称为奇异值分解。对神经网络某一层的参数矩阵进行奇异值分解，可以有效降低特征维数和减少模型参数。

发明内容

本发明的目的在于公开一种基于复合声学特征和低秩矩阵分解TDNN的说话人识别方法，对于传统x-vector方法中存在的一些不足，包括声学特征提取以及TDNN网络进行优化。本发明的成果将提高说话人识别的性能与效率，尤其是应用在会议场景中将发挥很大作用。

技术方案：

一种基于复合声学特征和低秩矩阵分解TDNN的说话人识别方法，其特征在于，主要模块包括声学特征提取模块，说话人模块以及判定模块，其中说话人识别模块包括帧级别特征提取模块，池化统计层以及段级别特征提取模块。对于输入语音，通过MFCC和归一化互相关函数提取声学特征，能够兼顾高低频特征。之后的说话人模块中，用低秩矩阵分解TDNN代替经典的TDNN进行帧级别特征提取，能够明显减少神经网络的参数数量，在保证性能的同时提高效率。同时再采用跳层连接减少梯度消失，加快训练速度；使用Dropout处理避免过拟合。之后特征继续经过段级别特征提取模块中的两个全连接层与一个softmax层，完成模型训练，同时在第一个全连接层处输出该语音的特征向量。打分判决模块使用PLDA模型对注册语音和测试语音的特征向量进行相似度判定。