基于计算听觉场景分析的说话人转换检测

杨登舟,刘 加,夏善红

(1.中国科学院电子学研究所,北京 100190; 2.中国科学院大学,北京 100049;3.清华大学 电子工程系,北京 100084)

0 概述

随着电子通信和计算机技术的快速发展,大量的语音数据被存储,如何快速地建立语音检索是亟需解决的问题。说话人转换检测(Speaker Change Detection,SCD),也称说话人分割[1],是语音信号处理中的一项实用技术,从一段语音中将不同说话人说话的时刻检测出来,将语音分割出满足要求的片段,可以很方便地建立索引,为信息的进一步处理提供便利[2-3]。

语音切分类问题可以抽象成模型判别问题,用特定长度的窗(定长窗或者变长窗)扫描整段语音,当窗内左右两部分的语音之间的差异达到某个阈值,认为在窗左半部分和右半部分发生了明显的改变,有理由怀疑此处语音的声源发生了变化[4]。在说话人转换检测的研究中,窗左右两侧语音之间的差异度量方式主要有模型差异、参数差异以及模型和参数相结合[5-6]这三大类。在基于模型的方法中,从训练数据中挑选出不同的发声源,训练出各自的模型,同时训练出所有声源的全局模型,通过分析全局模型和个体模型的不同之处,得到模型间转化关系或者找到可区分的模型差异,常用的模型包括通用背景模型(Universal Background Model,UBM)、样本说话人模型(Sample Speaker Model,SSM)、隐马尔科夫模型(Hidden Markov Model,HMM)。基于参数的方法,使用较多的特征主要包括时域短时能量、过零率、频域的子带能量、倒谱特征、线性预测系数等。通常使用差异度量准则有贝叶斯信息……