1 引言
    隨著電話銀行等網(wǎng)絡(luò)電子消費(fèi)的普及，說(shuō)話人識(shí)別作為一種有效的身份認(rèn)證手段，其技術(shù)特點(diǎn)和優(yōu)越性越來(lái)越明顯，在國(guó)防安全、司法和金融等各應(yīng)用領(lǐng)域的價(jià)值越來(lái)越顯得重要。目前說(shuō)話人識(shí)別的主要方法一般通過(guò)在語(yǔ)音特征觀察空間建立說(shuō)話人模型進(jìn)行，如基于VQ的碼本模型識(shí)別方法、基于GMM模型的識(shí)別方法以及其他一些方法，這些方法大都利用了說(shuō)話人語(yǔ)音特征的統(tǒng)計(jì)特性。但是，說(shuō)話人識(shí)別應(yīng)用中存在的兩個(gè)主要問(wèn)題是：(1)由于語(yǔ)音特征的時(shí)變性，模型訓(xùn)練時(shí)期和實(shí)際識(shí)別時(shí)期語(yǔ)音特征發(fā)生變化而導(dǎo)致識(shí)別性能的下降，而目前這些方法只能在一定程度上處理這種變化；(2)實(shí)際應(yīng)用中往往需要能通過(guò)較短的語(yǔ)音及時(shí)識(shí)別說(shuō)話人身份，但目前這些方法一般需要輸入3秒以上的語(yǔ)音才能得到較高的識(shí)別率。
    語(yǔ)音信號(hào)中包含語(yǔ)義和說(shuō)話人個(gè)性這兩大特征，如果能夠較好地將這兩類特征進(jìn)行分離，并依據(jù)個(gè)性特征建立說(shuō)話人模型，則說(shuō)話人識(shí)別性能將會(huì)得到提高并大大增強(qiáng)識(shí)別系統(tǒng)的魯棒性，但兩類特征的完全分離非常困難。統(tǒng)計(jì)方法建立的模型不可避免地需要較大的數(shù)據(jù)量進(jìn)行訓(xùn)練和識(shí)別，在短時(shí)測(cè)試語(yǔ)音下識(shí)別性能下降是必然的。如果能夠建立一種非純粹統(tǒng)計(jì)模型或在統(tǒng)計(jì)模型的基礎(chǔ)上結(jié)合結(jié)構(gòu)性模型則可能會(huì)提高短時(shí)測(cè)試語(yǔ)音條件下的識(shí)別性能。
    本文依據(jù)主元分析(PCA：Principal Component Analysis)原理和說(shuō)話人語(yǔ)音特征在觀察空間的分布散度提取主要散度向量構(gòu)造說(shuō)話人語(yǔ)音特征子空間，將說(shuō)話人語(yǔ)音特征子空間從觀察空間分離出來(lái)。實(shí)驗(yàn)分析了基于特征子空間的說(shuō)話人識(shí)別性能，結(jié)果證明了這種方法的有效性，特別是在小于3秒的短時(shí)測(cè)試語(yǔ)音情況下識(shí)別性能明顯優(yōu)于VQ和GMM等方法。

2 特征子空間分離
    基于語(yǔ)音特征子空間分離的說(shuō)話人識(shí)別系統(tǒng)中，說(shuō)話人模型由特征子空間表示，模式匹配部分則通過(guò)計(jì)算輸入測(cè)試語(yǔ)音特征矢量與子空間的距離進(jìn)行。特征子空間根據(jù)說(shuō)話人訓(xùn)練語(yǔ)音提取的特征矢量在觀察空間的統(tǒng)計(jì)分布特性，依據(jù)PCA原理選取具有較大權(quán)值的散度向量構(gòu)成。
    設(shè)一個(gè)說(shuō)話人訓(xùn)練語(yǔ)音集合為{S1，S2，…，SN}，每一個(gè)訓(xùn)練語(yǔ)音樣本經(jīng)過(guò)特征提取后形成特征矢量序列，即如果特征矢量具有P個(gè)參數(shù)，則特征矢量Vij表示P維觀察空間的一個(gè)點(diǎn)，所有的特征矢量在觀察空間形成具有一定統(tǒng)計(jì)分布特性的點(diǎn)集{V1，V2，…，VM}，其中M是說(shuō)話人所有訓(xùn)練語(yǔ)音特征矢量的總數(shù)。描述說(shuō)話人語(yǔ)音特征矢量在觀察空間分布的一個(gè)主要統(tǒng)計(jì)指標(biāo)是分布散度，它可以由平均特征矢量和自協(xié)方差矩陣表示，如下：

    公式(1)中平均特征矢量V反映說(shuō)話人所有特征矢量在觀察空問(wèn)的中心點(diǎn)。公式(2)中自協(xié)方差矩陣R是一個(gè)P×P正定對(duì)稱矩陣，它反映了說(shuō)話人特征矢量各參數(shù)的平均偏離值，因此可以衡量特征矢量在觀察空間的分布散度。
    求自協(xié)方差矩陣R的本征值{λ1，λ2，…，λP}和相應(yīng)的本征向量{e1，e2，…，eP}，則它們之間的關(guān)系如下式(3)～(5)所示。其中φ是由本征向量作為每一列構(gòu)成的P×P矩陣，A是由本征值構(gòu)成的對(duì)角矩陣。

   

    因?yàn)楸菊飨蛄縠i，i=1～P是從描述說(shuō)話人語(yǔ)音特征矢量分布散度的自協(xié)方差矩陣計(jì)算得到，所以，從空間的角度看，說(shuō)話人的語(yǔ)音特征分布完全可以由以平均特征矢量V為中心，本征向量ei，i=l～P為正交歸一化基底的子空間描述，如圖1所示。這樣，就從語(yǔ)音特征觀察空問(wèn)將說(shuō)話人語(yǔ)音特征子空間分離了出來(lái)，不同的說(shuō)話人具有不同的特征子空間。
    雖然計(jì)算得到的本征向量個(gè)數(shù)與觀察空間維數(shù)相同，但有些本征向量對(duì)應(yīng)的本征值較小，在表示語(yǔ)音特征分布散度時(shí)影響較小。因此，實(shí)際應(yīng)用中可以選擇具有較大散度權(quán)值(本征值)的向量構(gòu)成子空間的基向量。圖1顯示了一個(gè)三維觀察空間中分離出的兩個(gè)二維說(shuō)話人特征子空問(wèn)例子，這些子空間的基底對(duì)應(yīng)前兩個(gè)較大的散度權(quán)值。第4小節(jié)分析了選取不同散度權(quán)值本征向量構(gòu)成子空間情況下的識(shí)別性能，結(jié)果表明子空間維數(shù)并非越多越好。
    說(shuō)話人語(yǔ)音特征子空間本質(zhì)上是根據(jù)訓(xùn)練語(yǔ)音特征矢量在觀察空間的統(tǒng)計(jì)分布特性分析得到的一種結(jié)構(gòu)性說(shuō)話人模型，各子空間的基底描述了說(shuō)話人語(yǔ)音特征分布的框架結(jié)構(gòu)。因此，可以認(rèn)為子空間融合了說(shuō)話人語(yǔ)音特征的統(tǒng)計(jì)特性和結(jié)構(gòu)特性，可由下式(6)表示：

3 子空間距離測(cè)度與模式匹配
    系統(tǒng)模式匹配對(duì)輸入測(cè)試語(yǔ)音與各說(shuō)話人子空間的相關(guān)度進(jìn)行分析，提供說(shuō)話人身份的判別依據(jù)。設(shè)輸入測(cè)試語(yǔ)音St相應(yīng)的特征矢量序列為則通過(guò)計(jì)算該特征矢量序列與說(shuō)話人特征子空間的距離來(lái)分析測(cè)試語(yǔ)音與子空間的相關(guān)度，距離越小，相關(guān)度越大。最終的說(shuō)話人識(shí)別判決可以依據(jù)最小距離準(zhǔn)則進(jìn)行，即測(cè)試語(yǔ)音說(shuō)話人所對(duì)應(yīng)的子空間應(yīng)該與測(cè)試語(yǔ)音之間的距離最小，即相關(guān)度最大。
    輸入語(yǔ)音特征矢量Vt與子空間的距離測(cè)度采用子空問(wèn)投影距離計(jì)算，如下式(7)所示。其中Q是子空間的維數(shù)，Q≤P。

   
    上式第一項(xiàng)是觀察空間特征矢量Vt與說(shuō)話人語(yǔ)音特征子空間中心矢量V之差向量Vt一V的平方模；第二項(xiàng)是這個(gè)差向量Vt一V在子空間各維投影的平方和，代表了這個(gè)差向量在子空間上的投影長(zhǎng)度的平方。兩項(xiàng)相減就是輸入測(cè)試語(yǔ)音特征矢量Vt與子空間的距離。
    以上距離測(cè)度中采用了訓(xùn)練語(yǔ)音的平均特征矢量V，使觀察空間特征矢量轉(zhuǎn)換為適合子空間處理的差向量形式。實(shí)際應(yīng)用中，說(shuō)話人語(yǔ)音特征是時(shí)變的，并引起特征矢量統(tǒng)計(jì)分布特性的變化，其表現(xiàn)之一是平均特征矢量隨時(shí)問(wèn)的漂移。從子空間角度看，這個(gè)平均特征矢量的變化代表了說(shuō)話人語(yǔ)音特征子空間的一種整體時(shí)變漂移，在計(jì)算子空間距離時(shí)如果不能及時(shí)反映這種變化，將可能引起一定程度的失真，為此，定義第二種距離測(cè)度如下：

   
    前面兩項(xiàng)的含義與第一種測(cè)度d1(Vt，SF)是一致的，但差向量不是根據(jù)訓(xùn)練語(yǔ)音的平均特征矢量V形成，而是由輸入測(cè)試語(yǔ)音的平均特征矢量Vt形成。這樣，不僅使觀察空間特征矢量轉(zhuǎn)換為適合子空間處理的差向量形式，并且使形成差向量的兩個(gè)特征矢量在時(shí)間上一致起來(lái)。但是，子空間是根據(jù)訓(xùn)練語(yǔ)音構(gòu)造的，其中心特征矢量是訓(xùn)練語(yǔ)音的平均特征矢量，距離測(cè)度中必須反映這一差異。所以，在第二種距離測(cè)度中增加第三項(xiàng)描述訓(xùn)練語(yǔ)音和測(cè)試語(yǔ)音特征矢量的平均差異，兩者通過(guò)加權(quán)系數(shù)c結(jié)合，其中N是測(cè)試語(yǔ)音短時(shí)幀個(gè)數(shù)。因此，這一距離測(cè)度不僅描述了特征矢量與說(shuō)話人特征子空間的距離，而且描述了測(cè)試語(yǔ)音特征與子空間所表示的說(shuō)話人語(yǔ)音特征的平均距離，同時(shí)考慮了語(yǔ)音特征的結(jié)構(gòu)性和統(tǒng)計(jì)特性差異。加權(quán)系數(shù)c的選擇使兩類距離對(duì)整個(gè)測(cè)度的影響保持平衡，可以通過(guò)各自的統(tǒng)計(jì)方差之比計(jì)算。
    模式匹配通過(guò)計(jì)算整個(gè)輸入測(cè)試語(yǔ)音特征矢量序列與子空間的距離進(jìn)行。利用以上距離測(cè)度，輸入測(cè)試語(yǔ)音St與說(shuō)話人語(yǔ)音特征子空問(wèn)的總距離如下：

    設(shè)系統(tǒng)需要識(shí)別的M個(gè)說(shuō)話人對(duì)應(yīng)的子空間分別為SF1~SFM，經(jīng)過(guò)模式匹配得到輸入測(cè)試語(yǔ)音St與各子空間的距離SFD1～SFDM，則識(shí)別判決準(zhǔn)則如下：

   

4 實(shí)驗(yàn)分析
    需要通過(guò)實(shí)驗(yàn)分析的問(wèn)題包括：(1)基于特征子空間識(shí)別方法的有效性?(2)子空間維數(shù)與識(shí)別性能的關(guān)系?并確定一個(gè)最佳子空間維數(shù)。(3)不同子空間距離測(cè)度下識(shí)別性能的比較分析(4)不同特征參數(shù)，例如LPCC、MFCC情況下識(shí)別性能分析?(5)不同長(zhǎng)度測(cè)試語(yǔ)音輸入時(shí)，說(shuō)話人識(shí)別性能的變化趨勢(shì)?(6)在相同訓(xùn)練語(yǔ)音數(shù)據(jù)、實(shí)驗(yàn)環(huán)境和條件下，子空間方法和VQ、GMM等其他方法的識(shí)別性能比較分析。
4．1 實(shí)驗(yàn)數(shù)據(jù)與條件
    語(yǔ)音數(shù)據(jù)選擇SD2002一D2數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)中包含了在普通實(shí)驗(yàn)室環(huán)境下通過(guò)計(jì)算機(jī)聲音系統(tǒng)采集得到的40個(gè)說(shuō)話人的280條語(yǔ)音片段，其中，男聲26人，女聲14人，每人分別有7段語(yǔ)音，每段語(yǔ)音包括停頓間隙長(zhǎng)度為12秒。語(yǔ)音采樣率為11025Hz，16位量化，單聲道輸入。實(shí)驗(yàn)中，每說(shuō)話人的前4段語(yǔ)音用于模型訓(xùn)練，后3段用于測(cè)試。
    在模型訓(xùn)練和識(shí)別測(cè)試中，預(yù)處理部分首先消除輸入語(yǔ)音信號(hào)的背景噪聲，保留純語(yǔ)音數(shù)據(jù)，并進(jìn)行權(quán)重系數(shù)為0．97的高頻提升。短時(shí)分析采用27ms哈明窗，幀移步長(zhǎng)18ms。特征參數(shù)LPCC和MFCC為16階，其中，LPCC由16階LPC線性預(yù)測(cè)系數(shù)推導(dǎo)得到，MFCC是基于Mel頻率尺度的倒譜系數(shù)，通過(guò)計(jì)算Mel頻率域均勻分布的19個(gè)三角濾波器組的DFT輸出，并經(jīng)DCT變換得到，實(shí)驗(yàn)中選取第l～16個(gè)系數(shù)作為特征參數(shù)。實(shí)驗(yàn)中，特征子空間采用說(shuō)話人的前4段語(yǔ)音信號(hào)進(jìn)行訓(xùn)練，其純語(yǔ)音成分的長(zhǎng)度平均為32秒。測(cè)試實(shí)驗(yàn)采用每說(shuō)話人的后3段語(yǔ)音。
4．2 不同距離測(cè)度和特征參數(shù)下子空間維數(shù)與識(shí)別性能關(guān)系分析
    根據(jù)PCA原理，特征子空間可以選擇較大散度本征值對(duì)應(yīng)的本征向量為基底，這樣可以提高子空間之間的非相關(guān)性。但是，選擇的基向量不能過(guò)少，否則可能引起子空間不能充分表示語(yǔ)音特征的分布結(jié)構(gòu)。因此，需要在實(shí)驗(yàn)分析子空間維數(shù)與識(shí)別性能關(guān)系的基礎(chǔ)上確定一個(gè)最佳子空間維數(shù)。
    將散度本征值按大小順序排列，并選取前面幾個(gè)較大本征值所對(duì)應(yīng)的本征向量作為子空間的基向量進(jìn)行分析。圖2顯示了采用LPCC特征參數(shù)以及兩種不同子空間距離測(cè)度情況下系統(tǒng)誤識(shí)率隨子空間維數(shù)變化的情況，其中測(cè)試語(yǔ)音長(zhǎng)度為3秒?？梢钥吹?，第二種子空間距離測(cè)度總體上比第一種距離測(cè)度更優(yōu)越，但兩種測(cè)度下都顯示當(dāng)子空間維數(shù)為6時(shí)系統(tǒng)的誤識(shí)率最低。圖3顯示了采用第二種子空間距離測(cè)度時(shí)，兩種特征參數(shù)LPCC和MFCC所對(duì)應(yīng)的識(shí)別性能隨維數(shù)變化的情況，其測(cè)試語(yǔ)音長(zhǎng)度也是3秒。可以看到，MFCC參數(shù)相對(duì)而言比LPCC要優(yōu)越些，但差距并不大。另外，從圖3同樣可以看到當(dāng)子空間維數(shù)為6時(shí)系統(tǒng)具有最佳識(shí)別性能。

    根據(jù)以上實(shí)驗(yàn)結(jié)果可以得出這樣得結(jié)論：基于子空間分離的說(shuō)話人識(shí)別方法是有效的，但其識(shí)別性能隨子空間維數(shù)是變化的，當(dāng)維數(shù)為6時(shí)識(shí)別性能達(dá)到最佳，誤識(shí)率僅為0．189％。因此，在以下的實(shí)驗(yàn)分析中子空間維數(shù)均采用6。
4．3 不同特征參數(shù)下識(shí)別性能與測(cè)試語(yǔ)音長(zhǎng)度關(guān)系分析
    實(shí)際應(yīng)用中，測(cè)試語(yǔ)音的長(zhǎng)度不是固定的。因此，衡量一個(gè)說(shuō)話人識(shí)別系統(tǒng)的識(shí)別性能必須針對(duì)不同的測(cè)試語(yǔ)音長(zhǎng)度進(jìn)行分析。
    圖4顯示了當(dāng)采用兩種特征參數(shù)LPCC和MFCC時(shí)，不同測(cè)試語(yǔ)音長(zhǎng)度下系統(tǒng)的識(shí)別性能情況。其中，子空間距離的計(jì)算采用第二種測(cè)度，即d2(Vt，SF)。

    從圖4可以看到，所有測(cè)試語(yǔ)音長(zhǎng)度下系統(tǒng)都能夠得到較好的識(shí)別性能，誤識(shí)率均在3％以下，當(dāng)測(cè)試長(zhǎng)度達(dá)到5秒時(shí)，MFCC對(duì)應(yīng)的誤識(shí)率趨于零，但LPCC對(duì)應(yīng)的誤識(shí)率下降趨勢(shì)慢一些。另外可以看到，采用MFCC作為特征參數(shù)時(shí)的識(shí)別性能比LPCC時(shí)優(yōu)越，但差距并不大。
4．4 子空間方法與其他方法的比較分析
    說(shuō)話人識(shí)別的根本性問(wèn)題是模型和特征參數(shù)，即用怎樣的方法去描述說(shuō)話人的語(yǔ)音特征以及采用什么樣的參數(shù)表示說(shuō)話人語(yǔ)音特征的問(wèn)題。但到目前為止，還沒(méi)有提出專門(mén)用于說(shuō)話人識(shí)別的語(yǔ)音特征參數(shù)和模型，常用的文本無(wú)關(guān)說(shuō)話人模型有GMM和VQ。
    圖5和圖6分別顯示了子空間方法與VQ和GMM方法的比較。其中，VQ碼本的碼字?jǐn)?shù)為128，GMM的混合分量數(shù)為16?？梢钥吹剑涌臻g方法在測(cè)試語(yǔ)音長(zhǎng)度小于3秒時(shí)其識(shí)別性能優(yōu)于其他方法，而在大于等于3秒時(shí)則相反。這個(gè)結(jié)果說(shuō)明，GMM和VQ等完全基于統(tǒng)計(jì)聚類的方法由于運(yùn)用了說(shuō)話人語(yǔ)音的統(tǒng)計(jì)特性，所以對(duì)于較長(zhǎng)的測(cè)試語(yǔ)音有較可靠的識(shí)別性能，但當(dāng)測(cè)試語(yǔ)音較短時(shí)，由于無(wú)法提供可靠的統(tǒng)計(jì)特性進(jìn)行匹配，誤識(shí)率就很快下降。而子空間方法是根據(jù)說(shuō)話人語(yǔ)音特征的分布散度得到的一種空間結(jié)構(gòu)性模型，由于不是完全依靠語(yǔ)音特征的統(tǒng)計(jì)特性，所以在較短的測(cè)試語(yǔ)音時(shí)也能夠得到較好的識(shí)別性能。

5 結(jié)論
    依據(jù)PCA原理，從說(shuō)話人語(yǔ)音特征觀察空間根據(jù)其分布散度特性分離出特征子空間作為說(shuō)話人的一種結(jié)構(gòu)性語(yǔ)音模型是有效的。當(dāng)采用MFCC參數(shù)，測(cè)試語(yǔ)音長(zhǎng)度為5秒時(shí)系統(tǒng)誤識(shí)率趨于零。特別是在小于3秒的短時(shí)測(cè)試語(yǔ)音情況下，其識(shí)別性能優(yōu)于其他方法。另外，子空間方法在識(shí)別時(shí)的計(jì)算量明顯小于其他方法。
    說(shuō)話人識(shí)別和語(yǔ)音識(shí)別中存在同樣的核心問(wèn)題，即沒(méi)有解決說(shuō)話人個(gè)性特征和語(yǔ)義特征的提取和描述，這個(gè)問(wèn)題極難。目前主要采用的特征參數(shù)LPCC、MFCC等反映了語(yǔ)音信號(hào)的頻譜特征，既包含語(yǔ)義特征信息，又包含個(gè)性特征信息，在具體應(yīng)用中只是根據(jù)不同的識(shí)別任務(wù)進(jìn)行語(yǔ)義特征或個(gè)性特征的歸一化處理，主要的歸一化處理通過(guò)語(yǔ)音模型訓(xùn)練進(jìn)行。顯然，這樣的傳統(tǒng)方法為了使語(yǔ)音模型很好地表示說(shuō)話人的語(yǔ)音特征必須通過(guò)大量的語(yǔ)音樣本進(jìn)行訓(xùn)練，測(cè)試時(shí)需要的語(yǔ)音數(shù)據(jù)也比較多。但是，實(shí)際應(yīng)用中系統(tǒng)往往沒(méi)有足夠的數(shù)據(jù)用于這類統(tǒng)計(jì)模型的訓(xùn)練和識(shí)別，因此，在考慮如何提高說(shuō)話人識(shí)別系統(tǒng)魯棒性的同時(shí)，需要研究少量語(yǔ)音數(shù)據(jù)前提下的訓(xùn)練和識(shí)別問(wèn)題?；谧涌臻g分離的說(shuō)話人識(shí)別方法在短測(cè)試語(yǔ)音長(zhǎng)度下有一定優(yōu)勢(shì)，但在較長(zhǎng)測(cè)試語(yǔ)音情況下識(shí)別性能提高不快。因此，今后將考慮通過(guò)子空間映射，在子空間建立說(shuō)話人統(tǒng)計(jì)模型的方法來(lái)提高總體識(shí)別性能，特別是較長(zhǎng)測(cè)試語(yǔ)音長(zhǎng)度下的識(shí)別性能。