基于LSTM的端到端声纹识别算法实现
目录
TOC\o1-3\h\u18327基于LSTM的端到端声纹识别算法实现 1
202341.引言 3
147311.1.研究背景及意义 3
157251.2.研究概况、水平和发展趋势 3
219571.3.本文主要研究内容以及章节安排 3
56822.声纹识别基本理论 4
62062.1.声纹识别的分类 4
268972.2.语音信号的预处理和特征识别 4
201982.2.1.语音信号的预处理 4
155952.2.2.语音特征提取 5
233013.基于LSTM神经网络的说话人识别研究 7
133513.1.长短时记忆网络LSTM 7
27193.2.基于三元组的端对端损失函数的声纹识别系统 10
115373.3.改进后的端对端损失函数的声纹识别系统 10
127603.3.1.广义的端到端模型 11
15653.3.2.GE2E和TE2E的比较 12
114443.4.实验结果及分析 13
115674.结束语 14
引言
研究背景及意义
声纹识别是一种身份检测技术。由于声纹是携带信息的声波频谱，声纹同指纹一样，因此其具有独特的生物学特征，可用于身份识别。在文献[1]中，作者举例说明了说话人识别技术可以应用的领域，包括司法领域可以用来固定刑事侦查证据，确认犯罪嫌疑人；银行金融等安全领域可以用来核验身份，确定人员访问权限；电子通信及互联网领域可以用来登录APP，减少了输入密码的麻烦。由此可见，说话人识别具有相当大的研究意义和使用价值，因此逐渐成为国内外研究学者关注的对象和研究热点。
研究概况、水平和发展趋势
1945年，Kersta提出了“声纹(Voiceprint)”的概念。1969年，J.E.Luck在对语音特征分析的基础上，首次提出将倒谱技术应用到声纹识别技术中[2]，其实验结果较为理想。B.S.Atal从中受到启发，他通过对声道进行分析建模提出了一系列参数，其中最著名的就是线性预测倒谱系数[3](LinearPredictiveCep-strumCoefficients,LPCC)。同世纪的80年代S.B.Davis和Hermansky对人耳的听觉特性的分析和研究，并针对性地提出了Mel频谱的梅尔倒谱系数[4](MelFrequencyCepstralCoefficients,MFCC)。七十年代的矢量量化技术(VectorQuantization,VQ)在语音识别领域并取得了巨大的突破，随后VQ算法被应用于声纹识别领域[5]。为进一步提高识别结果，隐马尔科夫模型[6](HiddenMarkovModel,HMM)作为概率模型的代表被应用于声纹识别领域。随后，SVM、WCCN、NAP、LDA等被用于声纹识别领域。2005年，Kenny提出联合因子分析[7](JointFactorAnalysis,JFA)，在建模过程中将GMM的均值超矢量所包含的信息分解为两部分：说话人与说话人之间的差异(SpeakerVariability,SV)，和相同说话人不同语音段之间的差异(SessionVariability/ChannelsVariability,CV)。随后基于这个思想提出了一系列的基于向量的i-vector算法和基于信道补偿的PLDA算法。近几年，随着计算能力的快速提高，深度学习被越来越多的应用到声纹识别领域[8]，成绩斐然。以ImageNet[9]为代表，深度学习神经网络在图像识别以及分类领域取得巨大成功，并诞生了一些经典的深度神经网络结构来解决通用问题，如GoogLeNet，VGG，ResNet等等。就语音识别领域来说，深度神经网络模型强大的拟合能力和泛化能力足以代替GMM模型，其模型建立和训练过程也变得足够简单。早期阶段有一些研究将DNN神经网络应用于说话人识别，用DNN代替GMM计算后验统计更改为高斯混合模型，延续了早期声纹识别的研究成果。
本文主要研究内容以及章节安排
本文先是介绍了声纹识别的基本理论，说明了语音信号预处理和特征识别的一般方法，而后又介绍
了一种基于LSTM神经网络的端对端声纹识别算法，从理论上说明了这种算法的优越性。
本文的第一章是引言部分，主要介绍了说话人识别的研究背景及意义、研究概况，以及本文研究的主要内容。第二章介绍了声纹识别的基本理论，主要包括声纹识别的分类，语言信号的预处理以及语音信号的特征识别。第