11-PAGE說話人識(shí)別算法研究的文獻(xiàn)綜述在20世紀(jì)40年代，貝爾實(shí)驗(yàn)室的L.G.Kersta[2]等研究人員發(fā)現(xiàn)，不同人的發(fā)出的聲音能夠通過觀察語譜圖而發(fā)現(xiàn)其中的差異性，“聲紋”的概念由此被提出，之后人們開始研究是否能將聲音的特征應(yīng)用在說話人識(shí)別中，并且進(jìn)行了聽音辨認(rèn)和人耳聽音識(shí)別的實(shí)驗(yàn)。20世紀(jì)40年代至70年代初，在這期間，說話人識(shí)別技術(shù)仍然在不斷地發(fā)展，并且有了許多新的發(fā)現(xiàn)和進(jìn)展，首先說話人識(shí)別從人耳聽音識(shí)別演變到利用機(jī)器進(jìn)行自動(dòng)識(shí)別技術(shù)，之后貝爾實(shí)驗(yàn)室的研究員們提出了基于統(tǒng)計(jì)模板匹配的識(shí)別方法[3]。這一階段的研究主要體現(xiàn)在選擇一個(gè)合適的能夠包含盡量多的聲音特點(diǎn)的特征參數(shù)，如線性預(yù)測系數(shù)（LinearPredictionCoefficient，LPC）、線譜對系數(shù)（LinearSpectrumPair，LSP）、部分相關(guān)系數(shù)等。20世紀(jì)70年代末至80年代末，在這一階段，說話人識(shí)別技術(shù)的研究重點(diǎn)是聲學(xué)特征參數(shù)的選擇，對特征參數(shù)的非線性或線性處理技術(shù)的升級以及研究新的模式匹配技術(shù)。這一階段提出了梅爾倒譜系數(shù)（MelFrequenceCepstrumCoefficient，MFCC），該系數(shù)非常符合人耳聽力的特點(diǎn)，在與說話人識(shí)別有關(guān)的實(shí)驗(yàn)中，，識(shí)別結(jié)果的準(zhǔn)確率大大提升[3]。20世紀(jì)90年代以后，GMM技術(shù)以其簡單靈活和魯棒性得到了廣泛應(yīng)用，通過為每一條語音數(shù)據(jù)建立一個(gè)生成模型，采用概率計(jì)算的方式來對模型之間的相似性進(jìn)行比較，成為文本無關(guān)說話人識(shí)別系統(tǒng)前沿方法[4]。如今，表達(dá)聲音的語音特征朝多樣化、多量化發(fā)展，深度學(xué)習(xí)的出現(xiàn)使得提取更抽象的語音特征成為可能，將深度學(xué)習(xí)與多特征組合起來[6]，不僅使模型的識(shí)別率得到提高，系統(tǒng)的識(shí)別速度也在一定程度上得到提升。2009年，D.Mohamed[10]及其研究團(tuán)隊(duì)人員利用深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetwork，DNN）對開源數(shù)據(jù)集TIMIT進(jìn)行語音建模，與傳統(tǒng)的說話人識(shí)別技術(shù)——GMM相比較，其在開源數(shù)據(jù)集上的準(zhǔn)確率提高了3.8%。2014年，谷歌的研究人員提出了利用監(jiān)督機(jī)制來訓(xùn)練模型[11]，通過對語音進(jìn)行預(yù)處理獲得一條條語音幀，將每一條語音幀均作為DNN模型的輸入，通過層層網(wǎng)絡(luò)的訓(xùn)練，結(jié)果累計(jì)輸出到最后一層，根據(jù)最后一層所有神經(jīng)元的輸出的平均值即可判斷出該語音對應(yīng)的說話人身份。2018年，谷歌在訓(xùn)練說話人識(shí)別模型中應(yīng)用了一種新的損失函數(shù)——GE2E（Generalizedend-to-end）loss[12],該損失函數(shù)的目標(biāo)是盡量增大屬于同一說話者語音信息特征值的余弦值，盡量減小屬于不同說話者語音信息特征值的余弦值，并且對每一條語音信息進(jìn)行訓(xùn)練獲得的特征值與所有人的特征值都取余弦值，可以加快計(jì)算速度，提高訓(xùn)練效率。2019年，張鵬遠(yuǎn)團(tuán)隊(duì)[13]提出了一種雙路神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)能夠從多個(gè)時(shí)間尺度來對說話人信息進(jìn)行訓(xùn)練，不同時(shí)間尺度的特征可以進(jìn)行互補(bǔ)，因此可以通過融合不同時(shí)間尺度的特征來完善模型的構(gòu)建，在語音數(shù)據(jù)較短的情況下，系統(tǒng)性能依然可以得到顯著提升；洪青陽等設(shè)計(jì)對抗多任務(wù)網(wǎng)絡(luò)提取具有高噪聲魯棒性的說話人特征，在訓(xùn)練過程中，將編碼器和說話人分類器聯(lián)合使用，增大個(gè)體間語音識(shí)別的區(qū)分性，利用余弦值來衡量說話人的相似度，訓(xùn)練模型的目的在于使得相同說話人的不同語音數(shù)據(jù)對應(yīng)的語音特征之間的相似度盡可能的高一些，而不同說話人的語音數(shù)據(jù)的所對應(yīng)的語音特征的相似度盡可能的低一些，判別器和編碼器進(jìn)行對抗訓(xùn)練使得編碼器映射得到的里包含更少的噪聲信息[3]。這樣訓(xùn)練得到的系統(tǒng)能夠?qū)υ肼曈休^強(qiáng)的魯棒性，獲得較好的性能提升。主要參考文獻(xiàn)陳晨，韓紀(jì)慶．說話人識(shí)別方法綜述[J]．智能計(jì)算機(jī)與應(yīng)用，2015，5（05）：92-94+97．郭慧陽．基于深度學(xué)習(xí)的說話人識(shí)別技術(shù)研究[D]．廈門大學(xué)．2018：1-6．黃猛，唐琳，王雅芬．說話人識(shí)別技術(shù)綜述[A]．中國高科技產(chǎn)業(yè)化研究會(huì)智能信息處理產(chǎn)業(yè)化分會(huì)．第十三屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議論文集[C]．2019：239-243．李秀．基于DTW和GMM的多維特征說話人識(shí)別[D]．南京郵電大學(xué)．2019：16-18．沈陽麗，趙啟升．GMM-UBM聲紋識(shí)別技術(shù)研究與應(yīng)用[J]．電腦編程技巧與維護(hù)，2017（16）：84-86．解焱陸．基于特征變換和分類的文本無關(guān)電話語音說話人識(shí)別研究[D]．中國科學(xué)技術(shù)大學(xué)．2007：30-40．徐紅梅．與文本無關(guān)的閉集聲紋識(shí)別系統(tǒng)研究[D]．哈爾濱理工大學(xué)．2013：48-58．楊楠．基于深度學(xué)習(xí)的說話人識(shí)別研究與實(shí)現(xiàn)[D]．鄭州大學(xué)．2019：6-9．楊延龍．與文本無關(guān)的說話人識(shí)別的關(guān)鍵技術(shù)研究[D]．西安電子科技大學(xué)．2010：13-27．周玥媛，孔欽．基于GMM-UBM的聲紋識(shí)別技術(shù)的特征參數(shù)研究[J]．計(jì)算機(jī)技術(shù)與發(fā)展，2020，30（05）：76-83．林玲惠，張永富，張馨月，張昃瑋，夏銘謙．基于聲紋識(shí)別的安全保障系統(tǒng)設(shè)計(jì)[J]．信息通信，2020（06）：112-114．郭萬鵬．基于深度學(xué)習(xí)的說話人識(shí)別技術(shù)研究[D]．蘭州理工大學(xué)．2019：27-34．張燕．說話人識(shí)別中的特征參數(shù)提取和識(shí)別算法研究[D]．南京理工大學(xué)，2017．宋文豪．基于深度學(xué)習(xí)的說話人識(shí)別技術(shù)應(yīng)用[D]．電子科技大學(xué)，2020．郭茗涵．基于深度學(xué)習(xí)的聲紋識(shí)別算法研究[D]．吉林大學(xué)，2020．劉建．基于深度學(xué)習(xí)的小樣本聲紋識(shí)別[D]．長江大學(xué)，2020．梁冰．基于深度學(xué)習(xí)的聲紋識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[D]．遼寧大學(xué)，2020．張冰．