一、 语音识别的简单介绍

基于VQ的说话人识别系统，矢量量化起着双重作用。在训练阶段，把每一个说话者所提取的特征参数进行分类，产生不同码字所组成的码本。在识别(匹配)阶段，我们用VQ方法计算平均失真测度(本系统在计算距离d时，采用欧氏距离测度)，从而判断说话人是谁。

语音识别系统结构框图如图1所示。

eb066db4eb536c83f3475f749b9b7c7b.png
图1 语音识别系统结构框图

语者识别的概念

语者识别就是根据说话人的语音信号来判别说话人的身份。语音是人的自然属性之一，由于说话人发音器官的生理差异以及后天形成的行为差异，每个人的语音都带有强烈的个人色彩，这就使得通过分析语音信号来识别说话人成为可能。用语音来鉴别说话人的身份有着许多独特的优点，如语音是人的固有的特征，不会丢失或遗忘；语音信号的采集方便，系统设备成本低；利用电话网络还可实现远程客户服务等。因此，近几年来，说话人识别越来越多的受到人们的重视。与其他生物识别技术如指纹识别、手形识别等相比较，说话人识别不仅使用方便，而且属于非接触性，容易被用户接受，并且在已有的各种生物特征识别技术中，是唯一可以用作远程验证的识别技术。因此，说话人识别的应用前景非常广泛：今天，说话人识别技术已经关系到多学科的研究领域，不同领域中的进步都对说话人识别的发展做出了贡献。说话人识别技术是集声学、语言学、计算机、信息处理和人工智能等诸多领域的一项综合技术，应用需求将十分广阔。在吃力语音信号的时候如何提取信号中关键的成分尤为重要。语音信号的特征参数的好坏直接导致了辨别的准确性。

特征参数的提取

对于特征参数的选取，我们使用mfcc的方法来提取。MFCC参数是基于人的听觉特性利用人听觉的屏蔽效应，在Mel标度频率域提取出来的倒谱特征参数。

MFCC参数的提取过程如下：

1. 对输入的语音信号进行分帧、加窗，然后作离散傅立叶变换，获得频谱分布信息。

设语音信号的DFT为：

bc9b1a2db5d7019277767d40bbb7bd91.png

（1）

其中式中x(n)为输入的语音信号，N表示傅立叶变换的点数。

2. 再求频谱幅度的平方，得到能量谱。

3. 将能量谱通过一组Mel尺度的三角形滤波器组。

我们定义一个有M个滤波器的滤波器组（滤波器的个数和临界带的个数相近），采用的滤波器为三角滤波器，中心频率为f(m),m=1,2,3,···，M

本系统取M=100。

4. 计算每个滤波器组输出的对数能量。

16133cf13f5cda2f76570fb0dfa39761.png

（2）

其中

2cce7f52229538e0aa77c75f381e2f69.png

为三角滤波器的频率响应。

5. 经过离散弦变换（DCT）得到MFCC系数。

0c2cc83796f39c40592f312545b63c52.png


MFCC系数个数通常取20—30，常常不用0阶倒谱系数，因为它反映的是频谱能量，故在一般识别系统中，将称为能量系数，并不作为倒谱系数，本系统选取20阶倒谱系数。

用矢量量化聚类法生成码本

我们将每个待识的说话人看作是一个信源，用一个码本来表征。码本是从该说话人的训练序列中提取的MFCC特征矢量聚类而生成。只要训练的序列足够长，可认为这个码本有效地包含了说话人的个人特征，而与讲话的内容无关。

本系统采用基于分裂的LBG的算法设计VQ码本，

fc99cfc40a36d3fd257aa114fbaf69b3.png

为训练序列，B为码本。

具体实现过程如下：

1. 取提取出来的所有帧的特征矢量的型心(均值)作为第一个码字矢量B1。

2. 将当前的码本Bm根据以下规则分裂，形成2m个码字。

b1653bfeae9388013d10e8b192a9cafe.png

（4）

其中m从1变化到当前的码本的码字数，ε是分裂时的参数，本文ε=。

3. 根据得到的码本把所有的训练序列(特征矢量)进行分类，然后按照下面两个公式计算训练矢量量化失真量的总和

ca2a616424c4a15e83ba4fc0e1238720.png

以及相对失真(n为迭代次数，初始n=0，

f02e576e0f944900af9113f0494bf7d2.png

=∞，B为当前的码书)，若相对失真小于某一阈值ε，迭代结束，当前的码书就是设计好的2m个码字的码书，转５。否则，转下一步。

量化失真量和：

5533067aab5c674f5ceaf6e675a90146.png

（5）

相对失真：

4c13d6284a11bddcbb288221dd71359e.png

（6）

4. 重新计算各个区域的新型心，得到新的码书，转3。

5. 重复２ ，３ 和４步，直到形成有M个码字的码书(M是所要求的码字数)，其中D0=10000。

VQ的说话人识别

设是未知的说话人的特征矢量

294eb25fd846fb34f82b3a415762b668.png

，共有T帧是训练阶段形成的码书，表示码书第m个码字，每一个码书有M个码字。再计算测试者的平均量化失真D，并设置一个阈值，若D小于此阈值，则是原训练者，反之则认为不是原训练者。

a3b3a14dab46970927dfe62aa9476869.png

二 算法程序分析

在具体的实现过程当中，采用了matlab软件来帮助完成这个项目。在matlab中主要由采集，分析，特征提取，比对几个重要部分。以下为在实际的操作中，具体用到得函数关系和作用一一列举在下面。
函数关系
主要有两类函数文件和
在调用获取训练录音的vq码本，而调用获取单个录音的mel倒谱系数，接着调用将能量谱通过一组Mel尺度的三角形滤波器组。 
在函数文件中调用计算训练录音（提供vq码本）与测试录音（提供mfcc）mel倒谱系数的距离，即判断两声音是否为同一录音者提供。调用获取单个录音的mel倒谱系数。调用将能量谱通过一组Mel尺度的三角形滤波器组。 
具体代码说明
函数mffc:
function r = mfcc(s, fs)
---
m = 100;
n = 256;
l = length(s);
nbFrame = floor((l - n) / m) + 1;   %沿-∞方向取整 
for i = 1:n
for j = 1:nbFrame
M(i, j) = s(((j - 1) * m) + i);  %对矩阵M赋值
end
end
h = hamming(n);    %加 hamming 窗，以增加音框左端和右端的连续性
M2 = diag(h) * M;
for i = 1:nbFrame
frame(:,i) = fft(M2(:, i));  %对信号进行快速傅里叶变换FFT  
end
t = n / 2;
tmax = l / fs;
m = melfb(20, n, fs); %将上述线性频谱通过Mel 频率滤波器组得到Mel 频谱,下面在将其转化成对数频谱
n2 = 1 + floor(n / 2);
z = m * abs(frame(1:n2, :)).^2;
r = dct(log(z));  %将上述对数频谱，经过离散余弦变换(DCT)变换到倒谱域，即可得到Mel 倒谱系数(MFCC参数)
函数disteu
---计算测试者和模板码本的距离
function d = disteu(x, y)

[M, N] = size(x);  %音频x赋值给【M，N】
[M2, P] = size(y); %音频y赋值给【M2，P】
if (M ~= M2)
    error('不匹配！')  %两个音频时间长度不相等
end
d = zeros(N, P);
if (N < P)%在两个音频时间长度相等的前提下
    copies = zeros(1,P);
    for n = 1:N
        d(n,:) = sum((x(:, n+copies) - y) .^2, 1);
    end
else
    copies = zeros(1,N);
    for p = 1:P
        d(:,p) = sum((x - y(:, p+copies)) .^2, 1)';
    end%%成对欧氏距离的两个矩阵的列之间的距离
end
d = d.^;
函数vqlbg
---该函数利用矢量量化提取了音频的vq码本
function r = vqlbg(d,k)
e = .01;
r = mean(d, 2);
dpr = 10000;
for i = 1:log2(k)
    r = [r*(1+e), r*(1-e)];
    while (1 == 1)
        z = disteu(d, r);
        [m,ind] = min(z, [], 2);
        t = 0;
        for j = 1:2^i
            r(:, j) = mean(d(:, find(ind == j)), 2);
            x = disteu(d(:, find(ind == j)), r(:, j));
            for q = 1:length(x)
                t = t + x(q);
            end
        end
        if (((dpr - t)/t) < e)
            break;
        else
            dpr = t;
        end
    end
end
函数test
function finalmsg = test(testdir, n, code)

for k = 1:n                     % read test sound file of each speaker
    file = sprintf('%ss%', testdir, k);
    [s, fs] = wavread(file);      
        
    v = mfcc(s, fs);            % 得到测试人语音的mel倒谱系数
distmin = 4;              %阈值设置处
                        % 就判断一次，因为模板里面只有一个文件
        d = disteu(v, code{1});    %计算得到模板和要判断的声音之间的“距离”
        dist = sum(min(d,[],2)) / size(d,1);  %变换得到一个距离的量
        
                                      %测试阈值数量级
        msgc = sprintf('与模板语音信号的差值为:%10f ', dist);
        disp(msgc); 
        %此人匹配  

        if dist <= distmin  %一个阈值，小于阈值，则就是这个人。
            msg = sprintf('第%d位说话者与模板语音信号匹配,符合要求!\n', k);           
            finalmsg = '此位说话者符合要求!'; %界面显示语句，可随意设定        
            disp(msg);       
        end                 
        %此人不匹配  

        if dist > distmin                          
            msg = sprintf('第%d位说话者与模板语音信号不匹配,不符合要求!\n', k);
             finalmsg = '此位说话者不符合要求!'; %界面显示语句，可随意设定
             disp(msg);      
        end        
end

函数testDB
这个函数实际上是对数据库一个查询,根据测试者的声音,找相应的文件,并且给出是谁的提示
function testmsg = testDB(testdir, n, code)
nameList={'1','2','3','4','5','6','7','8','9' };                        %这个是我们要识别的9个数
for k = 1:n                     % 数据库中每一个说话人的特征
    file = sprintf('%ss%', testdir, k);	%找出文件的路径
    [s, fs] = wavread(file);      
        
    v = mfcc(s, fs);            % 对找到的文件取mfcc变换
    distmin = inf;
    k1 = 0;
   
    for l = 1:length(code)   
        d = disteu(v, code{l}); 
        dist = sum(min(d,[],2)) / size(d,1);
      
        if dist < distmin
            distmin = dist;%%这里和test函数里面一样  但多了一个具体语者的识别
            k1 = l;
        end      
    end
    msg=nameList{k1}
    msgbox(msg);
end

 函数train
---该函数就是对音频进行训练，也就是提取特征参数
function code = train(traindir, n)

k = 16;                         % number of centroids required
for i = 1:n                     % 对数据库中的代码形成码本
    file = sprintf('%ss%', traindir, i);           
    disp(file);
    [s, fs] = wavread(file);
    v = mfcc(s, fs);            % 计算 MFCC's 提取特征特征，返回值是Mel倒谱系数，是一个log的dct得到的
    code{i} = vqlbg(v, k);      % 训练VQ码本  通过矢量量化，得到原说话人的VQ码本
end
 函数melfb
---确定矩阵的滤波器
function m = melfb(p, n, fs)

f0 = 700 / fs;
fn2 = floor(n/2);
lr = log(1 + f0) / (p+1);
% convert to fft bin numbers with 0 for DC term
bl = n * (f0 * (exp([0 1 p p+1] * lr) - 1));
直接转换为FFT的数字模型
b1 = floor(bl(1)) + 1;
b2 = ceil(bl(2));
b3 = floor(bl(3));
b4 = min(fn2, ceil(bl(4))) - 1;
pf = log(1 + (b1:b4)/n/f0) / lr;
fp = floor(pf);
pm = pf - fp;

r = [fp(b2:b4) 1+fp(1:b3)];
c = [b2:b4 1:b3] + 1;
v = 2 * [1-pm(b2:b4) pm(1:b3)];
m = sparse(r, c, v, p, 1+fn2)；

# 机器学习 # python # 人工智能 # 深度学习 # java
Logo
CSDN学习社区

CSDN联合极客时间，共同打造面向开发者的精品内容学习社区，助力成长！

更多推荐

cover

玩转 AIGC 工具，早点下班！

avatar CSDN学习社区
cover

用 OpenAI Assistants 做大模型应用开发

avatar CSDN学习社区
cover

1 小时解读鸿蒙 10 大热点问题

avatar CSDN学习社区