基于分层增长语音活动检测的鲁棒性说话人识别

解焱陆，张劲松，刘明辉，黄中伟

1)北京语言大学信息科学学院，北京100083;2)深圳大学语音实验室，深圳518060

随着移动互联网的普及，以及说话人识别系统逐步走向实用，对该系统的鲁棒性也提出了更高的要求. 现有的应用于移动设备的语音识别和说话人识别系统常采用分布式架构，即在终端提取语音参数，在服务器存储说话人模型并进行识别. 如Nuance 的Dragon Dictation、科大讯飞的云计算语音输入法、欧洲电信标准化协会(European Telecommunications Standards Institute，ETSI)颁布的分布式语音识别(Distributed Speech Recognition ，DSR)前端标准(Advanced Front-End，AFE)［1］(以下简称ETSI-DSR-AFE)等.

DSR 可避免语音压缩所带来的损失，大量减少传输的数据量，同时在特征参数的传输过程中可加入更复杂的检错和纠错功能. 然而，DSR 传感器终端通常是电话或手机，易受背景噪声的干扰. 目前，语音信号鲁棒性方法大致可分为两类. 一类是对语音模型进行变换和处理，如模型补偿算法(parallel model combination，PMC)［2］、基于通道信息的特征映射方法［3］、最大后验估计(maximum a posterior，MAP)［4］和最大似然回归(maximum likelihood linear regression，MLLR)及其改进算法［5-6］等. 基于语音模型的方法在近年取得了较大进展，然而这些方法在实际应用中仍面临各种问题，如需事先得到噪声模型和噪声信息、需根据噪声情况修正模型、计算量较大等. 另一类语音处理的鲁棒性方法是特征域的，主要对语音信号和语音参数进行处理得到鲁棒性的参数. 方法主要有:矩规整方法，如一阶矩规整(cepstral mean subtraction，CMS)［7］和改进的CMS 方法［8］等，这些方法实现简单、表现稳定，但性能提升空间有限，不适于复杂噪声环境;参数级的空间变换方……