文本相關的語音鎖設計*

李政儀, 宮二玲

(1.長沙民政職業技術學院 軟件學院,湖南 長沙 410004; 2.國防科技大學 智能科學學院,湖南 長沙 410073)

0 引 言

每個人的聲音特征與說話習慣存在差異，語音具有明顯的區分性，因此可以作為身份識別工具。這涉及到聲紋識別技術，即通過對一種或多種語音信號的特征分析對未知聲音進行辨別，簡而言之就是辨別某一句話是否是某一個人所說的方法[1]。根據在驗證階段的說話內容是否是識別系統所規定的，可以分為與文本相關的和與文本無關的，前者是識別系統規定說話人所說的內容為已知，也就是說話人的語句是固定的或者是由系統提示的，后者則不限制說話人所說的內容[1]。

本文旨在利用聲紋識別技術，設計一個文本相關的嵌入式語音鎖，并分析不同的聲紋特征、噪聲水平對于識別結果準確性的影響，為下一步的實際應用奠定基礎。

1 問題描述

一個嵌入式的對講設備，配置一個麥克風，擬增加一個語音鎖的功能。注冊時，自動生成一個隨機的8位數密碼，注冊人錄入2遍作為訓練樣本；驗證時，設備顯示密碼，并由驗證人讀出，判斷是否通過驗證。

目前常用的聲紋識別算法可以分為三大類[1]：1)模板匹配法：利用距離測度，對訓練好的特征矢量集合和待測矢量進行比較，距離越近，說明一致性越好。常用的算法有動態時間規整、矢量量化(vector quantization，VQ)等。2)概率模型法:根據特征矢量的統計特性建立數學模型，從統計學的角度進行匹配識別。常見方法包括隱馬爾可夫模型、高斯混合模型等。3)人工智能算法:以深度學習方法為主，如深度神經網絡、支持向量機等方法。這種方法需要海量數據支持，是一種數據驅動方法。

由于嵌入式系統的計算能力有限，因此，對于本問題而言，計算量小的模板匹配法是最為適合的。本文擬采用VQ方法進行聲紋鎖的設計。

2 設計流程

2.1 VQ算法概述

VQ算法的基本原理是將若干個標量數據組構成一個矢量，然后在矢量空間進行整體量化，能夠壓縮了數據而不損失過多信息。1980年，Linden Y等人提出一種基于訓練序列的VQ設計算法，繞開了多維積分的求解，由于其廣泛的適用性，該方法被命名為LBG-VQ的算法[2,3]。

VQ算法中的基本概念包括碼矢和碼書。碼矢是所有特征矢量的分類中心矢量，可用一個k維向量cn=(cn,1,cn,2,…,cn,k),n=1,2,…,N表示。所有碼矢的集合稱為碼書，用C={c1,c2,…,cN}表示。VQ算法的核心就是在給定訓練樣本集合T和碼矢數量N的前提下，找到能夠使得平均失真度最小的碼書C。LBG-VQ算法交替地調整空間劃分P和碼書C，使失真度不斷地趨向于局部最小值。在算法初始化階段，可通過分裂方法得到一個初始的碼書C(0)。具體流程可參見文獻[2,3]。

2.2 識別流程

典型的聲紋識別流程包括語音信號預處理、特征提取、模型訓練和特征識別。語音信號預處理包括預加重、加窗分幀和端點檢測等；特征提取包括特征選擇和頻域變換等；模型訓練就是根據提取到的特征，訓練出說話者的模型；特征識別則是針對一個輸入的語音，判斷屬于哪個說話者。

2.2.1 語音信號預處理

首先，對語音信號進行預加重，提升高頻部分，使得在低頻到高頻的整個頻帶中，信噪比基本一致。通常是將語音信號通過一個高通濾波器H(z)=1-μz-1。本文中，μ=0.975。其次，進行語音加窗分幀。通常認為語音信號在10～20 ms內是平穩的。因此，可按照這一個時間段進行分幀，分幀過程通常取重疊分段，重疊部分稱為幀移。本文幀移設定為50 %。加窗可以減少截斷效應對于分幀的影響，避免頻譜泄漏，本文采用漢寧窗。最后，進行端點檢測，消除噪聲段、靜音段等無效片段，保留有效語音片段。本文采用雙門限檢測方法，根據短時能量和短時過零率進行聯合檢測，具體方法可參見文獻[1,4]。

2.2.2 特征提取

常用的語音特征參數包括線性預測倒譜系數、梅爾頻譜倒譜系數(Mel frequency Cepstrum coefficient, MFCC)和感知線性預測系數等[5]。其中，MFCC是最為常用的，首先通過Mel濾波器組轉換為Mel頻譜，再進行倒譜計算，具體過程可參見文獻[5～8]。MFCC可反映語音信號的靜態特性，但人耳對語音信號的動態特性比較敏感，所以，可以取MFCC的差分來增強特征參數的動態特性，包括一階差分和二階差分。本文采用了12階MFCC系數和12階MFCC一階差分作為特征，組成一個24維特征矢量。

2.2.3 模型訓練與識別

利用2.1節中提到的VQ算法，針對提取到的特征矢量進行訓練，得到該說話者的模型，即碼本。碼本模型的訓練算法可參見文獻[9]，此處不再贅述。

3 系統實現

3.1 數據準備

利用對講設備的麥克風錄制了10個人聲音，6男4女，每人讀一個各不相同的,8位數字，重復3遍。前兩遍作為訓練數據，最后一遍作為測試數據。采樣頻率為8 kHz，編碼位數為16位。

3.2 算法實現與結果分析

首先，對數據進行預處理，幀長設定為256，幀移為50 %，進行端點檢測，某一個語音段端點檢測結果如圖1所示。可以看出，在第一段語音中，漏檢了部分語音段，但在第二段語音中得到了較好的彌補。同時，基本上排除了絕大部分靜音段。由于是貼近麥克風錄音，語音信號的信噪比較高。

圖1 語音端點檢測結果

接下來，提取MFCC及其一階差分，組成24維的特征矢量，利用VQ算法進行訓練。碼矢數量N需要通過調試確定，令N=8,16,32,48,46，分別訓練模型，利用測試數據進行測試，N=8時，部分說話者的測試數據無法通過驗證；其他碼矢數量均能準確通過測試。10個說話者均開展50次測試，每驗證成功一次則記一次識別成功；如果將說話者A識別為10個說話者中的其他9人，則記一次誤識(錯誤接受)；如果認為說話者不屬于10個人中的任意一個，則記一次拒收。統計結果如表1所示。

表1 不同碼書數量下的識別效果

可以看出，碼書數量增加，識別效果明顯提升，當N≥48之后，識別效果提升并不明顯，甚至還出現稍微下降，可能是存在過擬合的原因。此外，碼書數量的增加，會導致訓練和識別的計算量增加。因此，綜合考慮識別效果和計算效率，將碼書數量設定為N=48。

將聲紋特征由“MFCC+一階差分”調整為單純的MFCC，碼書數量N=48，繼續進行上述測試，可得識別成功率為88.2 %，說明一階差分的加入，對于提升識別準確率是非常有幫助的。

理論上說，訓練信號和測試信號的信噪比越高，識別效果就會越好。當信噪比下降時，語音端點檢測會出現問題，導致噪聲段被當作語音段進入了訓練模型。通過人為給10段訓練數據增加白噪聲，使其信噪比分別為20,10,0,-10,-20 dB時進行訓練，并利用原始測試數據進行測試，可得不同信噪比下準確識別次數，如圖2所示。可見當信噪比下降時，準確率明顯下降，當下降到一定程度(0 dB)時，基本上無法正常訓練和識別了。這說明在錄入訓練數據時，必須保證一定的信噪比。可采用消噪算法進行適當處理[10]。

圖2 信噪比與識別率之間的關系

將算法移植到嵌入式平臺后，可以正常運行，證明算法的運算量可以滿足嵌入式平臺的需求。

4 結 論

設計了一種文本相關的語音鎖。通過提取語音的MFCC及其一階差分特征，利用VQ算法，訓練說話者的語音特征模型，并據此開展說話者識別。實驗結果表明，在一定的信噪比下，碼本數量N=48時，識別準確率可保證在95 %的水平，滿足工程實用性要求。