網絡環(huán)境下實時音頻解碼與魯棒說話人識別系統(tǒng)研究.pdf

1、網絡環(huán)境下說話人識別是指在互聯網音頻信息中查找出目標說話人的一種技術，在安全、刑偵等領域具有重要的實際應用價值。本文以搭建工程化的網絡環(huán)境下說話人識別系統(tǒng)為目的，開展相關的研究工作。
　　進行網絡環(huán)境下說話人識別，首先要將互聯網中各種編碼格式的音視頻實時解碼成統(tǒng)一規(guī)格的非壓縮音頻。本文在實驗室現有的實時音頻解碼系統(tǒng)基礎上，分析了不同協處理器（Coprocessor）實現實時音頻解碼的優(yōu)劣，并將實際網絡中占有量最大的MP3（MPEG

2、 Audio Layer3）解碼過程移植到眾核芯片 TILE64上，以解決實時音頻解碼系統(tǒng)占有CPU（Central Processing Unit）資源較高、解碼速度較低的問題。含有 TILE64實時解碼MP3功能的新實時音頻解碼系統(tǒng)平均解碼速度達到200Mbps，比原來提高了1倍，而功耗并未增加。
　　其次，利用新實時音頻解碼系統(tǒng)采集實際網絡中的大批音視頻數據，并實時地解碼成8KHz采樣率、16bits采樣位數、單聲道且時長為

3、10秒的標準處理單元，然后通過VAD（Voice Activity Detection）和基于高斯核函數的SVM（Support Vector Machine）方法進行語音/非語音分類，過濾出約占總量七分之一的語音標準處理單元集合，并以此語音標準處理單元集合為基礎，整理出用于說話人識別測試的真實網絡語料庫。接下來，搭建基于GMM-UBM（Gaussian Mixture Model-Universal Background Model）

4、的文本無關的通用說話人辨認系統(tǒng)，通過實驗表明，通用說話人識別系統(tǒng)能夠在實驗環(huán)境下表現良好，但在真實網絡語料庫中，由于非目標說話人的海量語音數據影響，虛警數遠超過正確識別數，無法滿足實際工程需求。
　　最后，針對上述通用說話人識別系統(tǒng)不能勝任網絡環(huán)境下工程需求的問題，設計并實現了兩種說話人識別確認方法——高階語義窗和音素級對比方法，通過實驗表明，這兩種方法在提高通用說話人識別系統(tǒng)的魯棒性上都表現良好。其中，兩種方法的融合改進系統(tǒng)魯棒