声纹识别中的区分性训练

于梅

摘 要

与指纹相同，声纹也是人类特有的生物特征，每个人的声纹均是不同的。所以，声纹可以作为区分人类个体的主要生物特征，基于这一特征，研发出了声纹识别技术，并且得到了广泛应用。而在声纹识别技术中，因数据稀疏等问题，实现区分性训练的难度较大。为了更好的实现区分性训练，本文对声纹识别中的区分性训练进行了研究，希望本文能为相关人员的研究工作提供参考价值。

【关键词】声纹 声纹识别 区分性训练

互联网时代的到来，加之信息技术的不断发展，使得个人身份的确认、个人隐私保护等成为了社会关注的主要话题。相比于传统的身份认证方式，生物特征识别技术不仅方便，而且结果的可靠性、准确性比较高。而声纹识别作为现阶段一种主要的生物特识别技术，在远程认证等领域具有比较高的应用优势。就现阶段的实际情况来看，声纹识别技术的应用范围比较广泛。例如，国防安全、公安技侦、网络支付以及声纹锁控等。鉴于此，本文对声纹识别中的区分性训练的应用进行研究，对声纹识别技术的发展具有重要意义。

1 声纹识别基本概念

声纹是对说话人语音中，具有代表性的能够标识自身的语音特征，以及在这些参数基础上建立起的语言模型的一种总称，属于一种行为特征。而声纹识别指的是一个过程，即分析语音中的声纹特征，并以此来对这段语言对应的说话人进行识别的过程。声纹与指纹相同，均是独一无二的，每个人声音中的语音特征以及发音习惯均是不同的，无论怎样模仿，均无法改变说话人最基本的声道特点以及发音特征。这便意味着，声纹具有一定的稳定性以及独特性。基于声纹的独特性，开发研究了出了声纹识别技术，对人类身份的生物特征进行识别。

2 声纹识别中的区分性训练方法

本文在特征矢量的基础上，设计了声纹密码的区分性系统框架，以期更好的对声纹识别中区分性训练的方法进行研究，下面便对声纹识别中的区分性训练方法进行详细介绍。

2.1 问题定义

尽管声纹识别中，区分性训练的应用比较广泛，但受到种种客观因素的影响，在说话人确认的短语音中，区分性训练的价值却无法真正体现出来。而声纹密码的最基本任务，便是确认短语音的说话人。为了有效的降低数据量过多而带来的难题，可以将声纹密码的任务划分成二类分类问题。简单来说，即把全部的数据分成正例与反例两种集合，同时尽可能的降低这两种集合在规模上的差异。区分性训练算法，提高了模型间的距离，降低了错误识别率。

2.2 特征定义

对新特征进行定义，是声纹密码区分性系统框架设计的难点所在。鉴于距离具有一定的对称性与非负性，故本文采用近似策略替代距离。首先，通过DTW获取测试语音以及注册语音，其次，将测试语音与注册语音在音帧上的差值思维该帧的新特征，即差值特征。需要注意的是，由于不同的注册语音所代表的距离不具备可比性。所以，本文形成了一种新的特征，即将注册模板的数据视作规整项。

2.3 参数优化

本文采用EBM算法对区分性训练模型的参数进行优化。首先，利用正例语音与反例语音，构造出如图1所示的函数。由于这一函数中，每一个求和项的正定均是无法保证的。简单来说，就是求和项并不全是凹函数。所以，对该函数进行最大化时得不到有穷解，需要合理的引进平滑相，确保该式仍然属于凹函数。

2.4 测试过程

利用正例区分性模型以及反例区分性模型，可以得到注册语音与测试语音的总帧数，再经过某些处理，获取新的特征矢量，在此基础上，按照叶贝斯准则，对测试语音与注册语音进行判断，明确其是否为同一人。

3 区分性训练实验结果分析

由上文中分析可以获得规整特征以及差值特征，以此为基础，对初始的正反例模型进行训练；之后，基于MCE准则，借助EBW优化算法进行两类区分性训练，训练结果详见图2。在图2中，横坐标表示的是区分性训练的迭代次数，0次迭代表示的是在使用集新训练后，获得的最大似然GMM模型。

通过分析图2，可以得知，利用区分性训练，得到的正例区分性模型以及反例区分性模型，相比于初始模型，可以更好的对声纹空间中，代表距离度量的特点分布进行拟合，进而更好的提高系统的安全性。与此同时，区分性训练实验结果也从侧面证明，相应的注册特征的引入，可以使规整特征更好、更细致的将多种密码文本条件的特征矢量的分布情况描述出来。而且，在通过比较多次的迭代之后，差值特征与规整特征二者之间的差异会愈发明显，规整特征的优势也更加明显。总而言之，声纹密码任务中，应用区分性训练具有比较高的可行性，且可以显著提升系统的性能。

4 结论

尽管声纹识别技术的应用范围在不断扩大，但由于种种客观因素的限制，相应的应用制度还未能得到完善。所以，其实际应用效果与理想状态还存在一定差距。但是，声纹识别技术的应用前景是十分广阔的，而区分性训练的应用也在很大程度上提高了声纹识别技术的可行性，以及声纹识别的实际效果。本文主要对声纹识别基本概念的进行了介绍，基于声纹识别中的区分性训练方法，深入研究了区分性训练实验结果，以期进一步提高区分性训练在声纹识别中的应用效果。

参考文献

[1]聂智良，张兴明，杨镇西等.区分性锚模型应用于语种识别的研究[J].计算机工程，2012，38（03）：172-175.

[2]热米拉·艾山江，黄浩.一种改进的GOP算法在区分性训练的应用[J].通信技术，2014，47（05）：508-511.

[3]热依莱木·帕尔哈提，孟祥涛，艾斯卡尔·艾木都拉.基于区分性关键词模型的维吾尔文本情感分类[J].计算机工程，2014，40（10）：132-136.

[4]王雨轩，倪训博，姜峰.手语识别中基于HMM的区分性训练方法[J].智能系統学报，2007，21（01）：80-84.

作者单位

绍兴文理学院 浙江省绍兴市 312000endprint