基于深度學(xué)習(xí)的聲紋識(shí)別技術(shù)

馬姝穎 王平 陳妮 文榮 李思源

關(guān)鍵詞：深度學(xué)習(xí);聲紋識(shí)別;技術(shù)

一、基于深度學(xué)習(xí)的聲紋識(shí)別技術(shù)

聲紋是指帶有語音信息的聲波頻譜，是每個(gè)人說話過程中的語音特征和發(fā)音習(xí)慣的抽象特征，具有唯一性和穩(wěn)定性。聲紋識(shí)別技術(shù)（又稱說話人識(shí)別技術(shù)）是指從說話人發(fā)出的語音信號(hào)中提取聲紋信息，并據(jù)此對(duì)說話人進(jìn)行身份驗(yàn)證的生物識(shí)別技術(shù)。近年來，隨著深度學(xué)習(xí)廣泛應(yīng)用到目標(biāo)檢測、圖像處理、自動(dòng)駕駛等各個(gè)領(lǐng)域，深度學(xué)習(xí)的方法也逐步應(yīng)用到聲紋識(shí)別技術(shù)中，并取得了不俗的成效[1]。

聲紋識(shí)別技術(shù)經(jīng)常會(huì)與語音識(shí)別技術(shù)混淆，二者其實(shí)是兩個(gè)不同概念。語音識(shí)別技術(shù)的任務(wù)是準(zhǔn)確地識(shí)別出說話的內(nèi)容（說的是什么），聲紋識(shí)別技術(shù)的任務(wù)是確認(rèn)說話人身份或者從某個(gè)已知的人群集合中辨認(rèn)出那個(gè)說話人（是誰說的）。聲紋識(shí)別技術(shù)的主要處理流程如圖1所示，包括預(yù)處理、特征提取、聲紋建模和相似度匹配。①預(yù)處理主要包括防混疊濾波、消除噪聲、端點(diǎn)檢測等。②提取聲學(xué)特征參數(shù)是聲紋識(shí)別的關(guān)鍵，通常將時(shí)域語音數(shù)據(jù)經(jīng)過預(yù)加重、分幀、加窗、FFT等步驟轉(zhuǎn)換為線性預(yù)測系數(shù)、LPC倒譜或梅爾倒譜等特征參數(shù)。③聲紋建模包括聲紋注冊和聲紋驗(yàn)證兩個(gè)階段：聲紋注冊階段提取所有注冊說話人語音中的聲紋特征，為每個(gè)注冊說話人建立說話人模型，將所有的說話人模型集合在一起組成說話人模型庫;聲紋驗(yàn)證階段提取待驗(yàn)證說話人語音中的聲紋特征，與說話人模型庫進(jìn)行相似度匹配，得分最高的作為最終的識(shí)別結(jié)果。

深度學(xué)習(xí)通過層級(jí)結(jié)構(gòu)組合低層特征，可以學(xué)習(xí)到高度抽象的特征表征，能夠挖據(jù)數(shù)據(jù)的本質(zhì)信息，因此深度學(xué)習(xí)方法代替GMM-UBM被引入到聲紋識(shí)別框架中，貫穿于聲紋注冊和聲紋驗(yàn)證兩個(gè)階段。將深度學(xué)習(xí)引入聲紋識(shí)別中，一般是對(duì)聲學(xué)特征進(jìn)行二次提取，再通過有監(jiān)督分類器進(jìn)行分類。基于DNN的聲紋建模可以分為三個(gè)階段[2]：第一個(gè)階段是深度學(xué)習(xí)方法的引入。2011年，在第十一屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議上，鄧力分享了他在微軟DNN-based speech recognition的研究結(jié)果，識(shí)別率提升了30%，這將聲紋識(shí)別的準(zhǔn)確率提升了一個(gè)層次。DNN能從大量樣本中學(xué)習(xí)到高度抽象的說話人特征，并對(duì)噪聲有很強(qiáng)的免疫力，至此深度學(xué)習(xí)被引入業(yè)界，國內(nèi)對(duì)聲紋識(shí)別技術(shù)的關(guān)注點(diǎn)也放到了深度學(xué)習(xí)上。第二個(gè)階段是2014年谷歌提出說話人深度特征向量（d-vector）。采用多層DNN或多層LSTM的網(wǎng)絡(luò)模型結(jié)構(gòu)，其中DNN結(jié)構(gòu)包含1層local connected層和多層full connected層外加一層線性層;LSTM結(jié)構(gòu)為多層LSTM結(jié)構(gòu)加1層線性層。通過提取深度神經(jīng)網(wǎng)絡(luò)最后一個(gè)隱藏層的輸出，進(jìn)行L2正則化，再累加起來取平均獲得就可以獲得d-vector。d-vector可以在不改變模型大小的情況使用更多的說話人數(shù)據(jù)來做訓(xùn)練。第三個(gè)階段是2017年Snyder D和Daniel Povey等人提出x-vector。采用時(shí)延神經(jīng)網(wǎng)絡(luò)（TDNN）、池化層、全連接層和softmax層組成網(wǎng)絡(luò)框架，聲學(xué)特征參數(shù)MFCC作為輸入，提取最后一個(gè)隱藏層或者倒數(shù)第二個(gè)隱藏層的輸出作為x-vector。x-vector可以認(rèn)為是d-vector的升級(jí)版，通過DNN將可變長度語音信號(hào)映射到固定維度的空間中，可以利用較短的語音捕捉用戶的聲紋信息，在短語音上擁有更強(qiáng)的魯棒性，已經(jīng)成為當(dāng)前聲紋識(shí)別領(lǐng)域主流的baseline模型框架。

目前，雖然聲紋識(shí)別技術(shù)還存在實(shí)際應(yīng)用中魯棒性不足、復(fù)雜場景中識(shí)別率降低等問題，但是隨著人工智能技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)的聲紋識(shí)別技術(shù)性能不斷提升，尤其在指紋識(shí)別和人臉識(shí)別頻繁出現(xiàn)漏洞的情況下，越來越多的機(jī)構(gòu)已采用聲紋識(shí)別技術(shù)作為身份驗(yàn)證。

二、總結(jié)與展望

繼指紋、面部、虹膜之后，無接觸、無感知的聲紋作為象征我們個(gè)人ID的一部分，已經(jīng)陸續(xù)開啟了商用大潮。盡管現(xiàn)階段聲紋識(shí)別的應(yīng)用仍具有一定的局限性，但是聲紋主導(dǎo)的生物識(shí)別模式已經(jīng)進(jìn)入公眾視野，并被時(shí)代所接受。未來隨著5G、大數(shù)據(jù)、云計(jì)算等新技術(shù)發(fā)展愈發(fā)成熟、語音的入口更普及，基于深度神經(jīng)網(wǎng)絡(luò)的聲紋識(shí)別技術(shù)一定很快就會(huì)迎來屬于他的風(fēng)口。

參考文獻(xiàn)：

[1]鄭方， 李藍(lán)天， 張慧， 等. 聲紋識(shí)別技術(shù)及其應(yīng)用現(xiàn)狀[J].信息安全研究，2016，2（1）：44-57.

[2]蔡國都. 基于x-vector的說話人識(shí)別研究[D]. 北京交通大學(xué)， 2019.

項(xiàng)目支持：成都工業(yè)學(xué)院校級(jí)項(xiàng)目：基于機(jī)器學(xué)習(xí)的聲紋識(shí)別關(guān)鍵技術(shù)研究（編號(hào)：2021ZR026）.