李政儀, 宮二玲

(1.長沙民政職業(yè)技術(shù)學(xué)院 軟件學(xué)院,湖南 長沙 410004; 2.國防科技大學(xué) 智能科學(xué)學(xué)院,湖南 長沙 410073)

0 引 言

每個人的聲音特征與說話習(xí)慣存在差異，語音具有明顯的區(qū)分性，因此可以作為身份識別工具。這涉及到聲紋識別技術(shù)，即通過對一種或多種語音信號的特征分析對未知聲音進行辨別，簡而言之就是辨別某一句話是否是某一個人所說的方法[1]。根據(jù)在驗證階段的說話內(nèi)容是否是識別系統(tǒng)所規(guī)定的，可以分為與文本相關(guān)的和與文本無關(guān)的，前者是識別系統(tǒng)規(guī)定說話人所說的內(nèi)容為已知，也就是說話人的語句是固定的或者是由系統(tǒng)提示的，后者則不限制說話人所說的內(nèi)容[1]。

本文旨在利用聲紋識別技術(shù)，設(shè)計一個文本相關(guān)的嵌入式語音鎖，并分析不同的聲紋特征、噪聲水平對于識別結(jié)果準(zhǔn)確性的影響，為下一步的實際應(yīng)用奠定基礎(chǔ)。

1 問題描述

一個嵌入式的對講設(shè)備，配置一個麥克風(fēng)，擬增加一個語音鎖的功能。注冊時，自動生成一個隨機的8位數(shù)密碼，注冊人錄入2遍作為訓(xùn)練樣本；驗證時，設(shè)備顯示密碼，并由驗證人讀出，判斷是否通過驗證。

目前常用的聲紋識別算法可以分為三大類[1]：1)模板匹配法：利用距離測度，對訓(xùn)練好的特征矢量集合和待測矢量進行比較，距離越近，說明一致性越好。常用的算法有動態(tài)時間規(guī)整、矢量量化(vector quantization，VQ)等。2)概率模型法:根據(jù)特征矢量的統(tǒng)計特性建立數(shù)學(xué)模型，從統(tǒng)計學(xué)的角度進行匹配識別。常見方法包括隱馬爾可夫模型、高斯混合模型等。3)人工智能算法:以深度學(xué)習(xí)方法為主，如深度神經(jīng)網(wǎng)絡(luò)、支持向量機等方法。這種方法需要海量數(shù)據(jù)支持，是一種數(shù)據(jù)驅(qū)動方法。

由于嵌入式系統(tǒng)的計算能力有限，因此，對于本問題而言，計算量小的模板匹配法是最為適合的。本文擬采用VQ方法進行聲紋鎖的設(shè)計。

2 設(shè)計流程

2.1 VQ算法概述

VQ算法的基本原理是將若干個標(biāo)量數(shù)據(jù)組構(gòu)成一個矢量，然后在矢量空間進行整體量化，能夠壓縮了數(shù)據(jù)而不損失過多信息。1980年，Linden Y等人提出一種基于訓(xùn)練序列的VQ設(shè)計算法，繞開了多維積分的求解，由于其廣泛的適用性，該方法被命名為LBG-VQ的算法[2,3]。

VQ算法中的基本概念包括碼矢和碼書。碼矢是所有特征矢量的分類中心矢量，可用一個k維向量cn=(cn,1,cn,2,…,cn,k),n=1,2,…,N表示。所有碼矢的集合稱為碼書，用C={c1,c2,…,cN}表示。VQ算法的核心就是在給定訓(xùn)練樣本集合T和碼矢數(shù)量N的前提下，找到能夠使得平均失真度最小的碼書C。LBG-VQ算法交替地調(diào)整空間劃分P和碼書C，使失真度不斷地趨向于局部最小值。在算法初始化階段，可通過分裂方法得到一個初始的碼書C(0)。具體流程可參見文獻[2,3]。

2.2 識別流程

典型的聲紋識別流程包括語音信號預(yù)處理、特征提取、模型訓(xùn)練和特征識別。語音信號預(yù)處理包括預(yù)加重、加窗分幀和端點檢測等；特征提取包括特征選擇和頻域變換等；模型訓(xùn)練就是根據(jù)提取到的特征，訓(xùn)練出說話者的模型；特征識別則是針對一個輸入的語音，判斷屬于哪個說話者。

2.2.1 語音信號預(yù)處理

首先，對語音信號進行預(yù)加重，提升高頻部分，使得在低頻到高頻的整個頻帶中，信噪比基本一致。通常是將語音信號通過一個高通濾波器H(z)=1-μz-1。本文中，μ=0.975。其次，進行語音加窗分幀。通常認(rèn)為語音信號在10～20 ms內(nèi)是平穩(wěn)的。因此，可按照這一個時間段進行分幀，分幀過程通常取重疊分段，重疊部分稱為幀移。本文幀移設(shè)定為50 %。加窗可以減少截斷效應(yīng)對于分幀的影響，避免頻譜泄漏，本文采用漢寧窗。最后，進行端點檢測，消除噪聲段、靜音段等無效片段，保留有效語音片段。本文采用雙門限檢測方法，根據(jù)短時能量和短時過零率進行聯(lián)合檢測，具體方法可參見文獻[1,4]。

2.2.2 特征提取

常用的語音特征參數(shù)包括線性預(yù)測倒譜系數(shù)、梅爾頻譜倒譜系數(shù)(Mel frequency Cepstrum coefficient, MFCC)和感知線性預(yù)測系數(shù)等[5]。其中，MFCC是最為常用的，首先通過Mel濾波器組轉(zhuǎn)換為Mel頻譜，再進行倒譜計算，具體過程可參見文獻[5～8]。MFCC可反映語音信號的靜態(tài)特性，但人耳對語音信號的動態(tài)特性比較敏感，所以，可以取MFCC的差分來增強特征參數(shù)的動態(tài)特性，包括一階差分和二階差分。本文采用了12階MFCC系數(shù)和12階MFCC一階差分作為特征，組成一個24維特征矢量。

2.2.3 模型訓(xùn)練與識別

利用2.1節(jié)中提到的VQ算法，針對提取到的特征矢量進行訓(xùn)練，得到該說話者的模型，即碼本。碼本模型的訓(xùn)練算法可參見文獻[9]，此處不再贅述。

3 系統(tǒng)實現(xiàn)

3.1 數(shù)據(jù)準(zhǔn)備

利用對講設(shè)備的麥克風(fēng)錄制了10個人聲音，6男4女，每人讀一個各不相同的,8位數(shù)字，重復(fù)3遍。前兩遍作為訓(xùn)練數(shù)據(jù)，最后一遍作為測試數(shù)據(jù)。采樣頻率為8 kHz，編碼位數(shù)為16位。

3.2 算法實現(xiàn)與結(jié)果分析

首先，對數(shù)據(jù)進行預(yù)處理，幀長設(shè)定為256，幀移為50 %，進行端點檢測，某一個語音段端點檢測結(jié)果如圖1所示?？梢钥闯?，在第一段語音中，漏檢了部分語音段，但在第二段語音中得到了較好的彌補。同時，基本上排除了絕大部分靜音段。由于是貼近麥克風(fēng)錄音，語音信號的信噪比較高。

圖1 語音端點檢測結(jié)果

接下來，提取MFCC及其一階差分，組成24維的特征矢量，利用VQ算法進行訓(xùn)練。碼矢數(shù)量N需要通過調(diào)試確定，令N=8,16,32,48,46，分別訓(xùn)練模型，利用測試數(shù)據(jù)進行測試，N=8時，部分說話者的測試數(shù)據(jù)無法通過驗證；其他碼矢數(shù)量均能準(zhǔn)確通過測試。10個說話者均開展50次測試，每驗證成功一次則記一次識別成功；如果將說話者A識別為10個說話者中的其他9人，則記一次誤識(錯誤接受)；如果認(rèn)為說話者不屬于10個人中的任意一個，則記一次拒收。統(tǒng)計結(jié)果如表1所示。

表1 不同碼書數(shù)量下的識別效果

可以看出，碼書數(shù)量增加，識別效果明顯提升，當(dāng)N≥48之后，識別效果提升并不明顯，甚至還出現(xiàn)稍微下降，可能是存在過擬合的原因。此外，碼書數(shù)量的增加，會導(dǎo)致訓(xùn)練和識別的計算量增加。因此，綜合考慮識別效果和計算效率，將碼書數(shù)量設(shè)定為N=48。

將聲紋特征由“MFCC+一階差分”調(diào)整為單純的MFCC，碼書數(shù)量N=48，繼續(xù)進行上述測試，可得識別成功率為88.2 %，說明一階差分的加入，對于提升識別準(zhǔn)確率是非常有幫助的。

理論上說，訓(xùn)練信號和測試信號的信噪比越高，識別效果就會越好。當(dāng)信噪比下降時，語音端點檢測會出現(xiàn)問題，導(dǎo)致噪聲段被當(dāng)作語音段進入了訓(xùn)練模型。通過人為給10段訓(xùn)練數(shù)據(jù)增加白噪聲，使其信噪比分別為20,10,0,-10,-20 dB時進行訓(xùn)練，并利用原始測試數(shù)據(jù)進行測試，可得不同信噪比下準(zhǔn)確識別次數(shù)，如圖2所示?？梢姰?dāng)信噪比下降時，準(zhǔn)確率明顯下降，當(dāng)下降到一定程度(0 dB)時，基本上無法正常訓(xùn)練和識別了。這說明在錄入訓(xùn)練數(shù)據(jù)時，必須保證一定的信噪比?？刹捎孟胨惴ㄟM行適當(dāng)處理[10]。

圖2 信噪比與識別率之間的關(guān)系

將算法移植到嵌入式平臺后，可以正常運行，證明算法的運算量可以滿足嵌入式平臺的需求。

4 結(jié) 論

設(shè)計了一種文本相關(guān)的語音鎖。通過提取語音的MFCC及其一階差分特征，利用VQ算法，訓(xùn)練說話者的語音特征模型，并據(jù)此開展說話者識別。實驗結(jié)果表明，在一定的信噪比下，碼本數(shù)量N=48時，識別準(zhǔn)確率可保證在95 %的水平，滿足工程實用性要求。