聲紋識別的關鍵問題

　　 聲紋識別可以說有兩個關鍵問題，一是特征提取，二是模式匹配(模式識別)。

　　特征提取的任務是提取并選擇對說話人的聲紋具有可分性強、穩(wěn)定性高等特性的聲學或語言特征。與語音識別不同，聲紋識別的特征必須是“個性化”特征，而說話人識別的特征對說話人來講必須是“共性特征”。雖然目前大部分聲紋識別系統(tǒng)用的都是聲學層面的特征，但是表征一個人特點的特征應該是多層面的，包括：

1. 與人類的發(fā)音機制的解剖學結構有關的聲學特征(如頻譜、倒頻譜、共振峰、基音、反射系數(shù)等等)、鼻音、帶深呼吸音、沙啞音、笑聲等；
2. 受社會經(jīng)濟狀況、受教育水平、出生地等影響的語義、修辭、發(fā)音、言語習慣等；
3. 個人特點或受父母影響的韻律、節(jié)奏、速度、語調(diào)、音量等特征。

　　從利用數(shù)學方法可以建模的角度出發(fā)，聲紋自動識別模型目前可以使用的特征包括：

1. 聲學特征(倒頻譜)；
2. 詞法特征(說話人相關的詞n-gram，音素n-gram)；
3. 韻律特征(利用n-gram描述的基音和能量“姿勢”)；
4. 語種、方言和口音信息；
5. 通道信息(使用何種通道)；等等。

　　根據(jù)不同的任務需求，聲紋識別還面臨一個特征選擇或特征選用的問題。例如，對“信道”信息，在刑偵應用上，希望不用，也就是說希望弱化信道對說話人識別的影響，因為我們希望不管說話人用什么信道系統(tǒng)它都可以辨認出來；而在銀行交易上，希望用信道信息，即希望信道對說話人識別有較大影響，從而可以剔除錄音、模仿等帶來的影響。

　　總之，較好的特征，應該能夠有效地區(qū)分不同的說話人，但又能在同一說話人語音發(fā)生變化時保持相對的穩(wěn)定；不易被他人模仿或能夠較好地解決被他人模仿問題；具有較好的抗噪性能；……。當然，這些問題也可以通過模型方法去解決。

CTI論壇報道