基于DTW的編碼域說話人識別研究

說話人識別又被稱為話者識別，是指通過對說話人語音信號的分析處理，自動確認(rèn)說話人是否在所記錄的話者集合中，以及進一步確認(rèn)說話人的身份。說話人識別的基本原理如圖1所示。

按照語音的內(nèi)容，說話人識別可以分為文本無關(guān)的(Text-Independent)和文本相關(guān)的(Text-Dependent)兩種。文本無關(guān)的識別系統(tǒng)不規(guī)定說話人的發(fā)音內(nèi)容，模型建立相對困難，但用戶使用方便。與文本有關(guān)的說話人識別系統(tǒng)要求用戶按照規(guī)定的內(nèi)容發(fā)音，而識別時也必須按規(guī)定的內(nèi)容發(fā)音，因此可以達到較好的識別效果。
　隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，通過Internet網(wǎng)絡(luò)傳遞語音的網(wǎng)絡(luò)電話VoIP(Voice over IP)技術(shù)發(fā)展迅速，已經(jīng)成為人們?nèi)粘＝涣鞯闹匾侄危絹碓蕉嗟挠脩魭仐墏鹘y(tǒng)的通信方式，通過計算機網(wǎng)絡(luò)等媒介進行語音交流。由于VoIP工作方式的特點，語音在傳輸中經(jīng)過了語音編譯碼處理，VoIP設(shè)備端口同時要處理多路、海量的壓縮話音數(shù)據(jù)。所以VoIP說話人識別技術(shù)主要研究的是如何高速、低復(fù)雜度地針對解碼參數(shù)和壓縮碼流進行說話人識別。
　現(xiàn)有的針對編碼域說話人識別方法的研究主要集中在編碼域語音特征參數(shù)的提取上，香港理工大學(xué)研究從G.729和G.723編碼比特流以及殘差中提取信息，并采用了分?jǐn)?shù)補償?shù)姆椒?。中國科學(xué)技術(shù)大學(xué)主要研究了針對AMR語音編碼的說話人識別。西北工業(yè)大學(xué)在說話人確認(rèn)中針對不同的語音編碼差異進行了補償算法研究，并且研究了直接在G.729編碼的比特流中提取參數(shù)的方法。說話人模型則主要采用在傳統(tǒng)說話人識別中應(yīng)用最廣泛的GMM-UBM(Gaussian Mixture Model-Universal Background Model)。GMM-UBM的應(yīng)用效果和混元數(shù)目密切相關(guān)，在保證識別率的基礎(chǔ)上，其處理速度無法滿足VoIP環(huán)境下高速說話人識別的需求。
　本文研究VoIP語音流中G.729編碼域的說話人實時識別,將DTW識別算法成功應(yīng)用在G.729編碼域的文本相關(guān)的說話人實時識別。
1 G.729編碼比特流中的特征提取
1.1 G.729編碼原理
　ITU－T在1996年3月公布G.729編碼，其編碼速率為8 kb/s，采用了對結(jié)構(gòu)代數(shù)碼激勵線性預(yù)測技術(shù)(CS-ACELP)，編碼結(jié)果可以在8 kb/s的碼率下得到合成音質(zhì)不低于32 kb/s ADPCM的水平。 G.729的算法延時為15 ms。由于G.729編解碼器具有很高的語音質(zhì)量和很低的延時，被廣泛地應(yīng)用在數(shù)據(jù)通信的各個領(lǐng)域，如VoIP和H.323網(wǎng)上多媒體通信系統(tǒng)等。
G.729的編碼過程如下：輸入8 kHz采樣的數(shù)字語音信號先經(jīng)過高通濾波預(yù)處理,每10 ms幀作一次線性預(yù)測分析，計算10階線性預(yù)測濾波器系數(shù)，然后把這些系數(shù)轉(zhuǎn)換為線譜對（LSP）參數(shù)，采用兩級矢量量化技術(shù)進行量化。自適應(yīng)碼本搜索時，以原始語音與合成語音的誤差知覺加權(quán)最小為測度進行搜索。固定碼本采用代數(shù)碼本機構(gòu)。激勵參數(shù)（自適應(yīng)碼本和固定碼本參數(shù)）每個子幀（5 ms，40個樣點）確定一次。
1.2 特征參數(shù)提取
直接從G.729 編碼流中按照量化算法解量化可以得到LSP參數(shù)。由于后段的說話人識別系統(tǒng)還需要激勵參數(shù)，而在激勵參數(shù)的計算過程中經(jīng)過了LSP的插值平滑，所以為了使特征矢量中聲道和激勵參數(shù)能準(zhǔn)確地對應(yīng)起來，要對解量化的LSP參數(shù)采用插值平滑。