最新语音声纹识别技术及应用ppt课件.ppt

《最新语音声纹识别技术及应用ppt课件.ppt》由会员分享，可在线阅读，更多相关《最新语音声纹识别技术及应用ppt课件.ppt（92页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、最新语音声纹识别技术及应用最新语音声纹识别技术及应用20182018年年1 1月月语音声纹识别技术及应用主要内容主要内容声音处理技术语音识别技术声纹识别技术技术演示2语音声纹识别技术及应用语音声纹识别技术及应用语音声纹识别技术及应用语音声纹识别技术及应用短时能量和过零率短时能量和过零率语音分帧语音分帧每帧10-30ms, 帧间隔10ms短时能量短时能量对数平方和绝对值过零率过零率(ZCR)6NiixE12)(logNiixE12)(NiixE1)(11) 1(sgn)(sgn21NnwwnsnsZ语音声纹识别技术及应用参数提取的预处理参数提取的预处理预加重：预加重： 减少尖锐噪声影响，提升高频

2、部分减少尖锐噪声影响，提升高频部分加窗：加窗：Hamming 减少减少Gibbs效应效应7 10.91.0y nx nx n 20.54 0.46cos01nw nn NN 语音声纹识别技术及应用各种参数的比较各种参数的比较Linear Prediction Cepstrum Coefficients (LPCC)假定所处理信号为自回归信号（不适用辅音）；计算简单，但抗噪性差。Mel-Frequency Cepstrum Coefficients (MFCC)模拟人的听觉模型；强调低频部分，屏蔽噪声影响；识别率高，但计算量大。能量能量辅助作用，需归一化。音调音调对算法要求高，适于二次判别。8语

3、音声纹识别技术及应用Mel-频率频率目的：模拟人耳对不同频率语音的感知目的：模拟人耳对不同频率语音的感知人类对不同频率语音有不同的感知能力人类对不同频率语音有不同的感知能力1kHz以下，与频率成线性关系1kHz以上，与频率成对数关系Mel频率定义频率定义1Mel1kHz音调感知程度的1/10009语音声纹识别技术及应用Mel-频率频率公式：公式：频率频率Mel-频率：频率： 1125ln 1/700B fff- 频率B- Mel-频率Mel-频率频率(Hz)10语音声纹识别技术及应用MFCC计算流程：计算流程：11DFT时域信号线性谱域Mel滤波器组LogDCTMel谱域对数谱域MFCC语音声

4、纹识别技术及应用主要内容主要内容声音处理技术语音识别技术声纹识别技术技术演示12语音声纹识别技术及应用语音识别语音识别Automatic Speech Recognition (ASR) 的中文含意是自动语音识别。语音识别技的中文含意是自动语音识别。语音识别技术的目标是让机器能够术的目标是让机器能够“听懂听懂”不同人说不同人说的话，实现从声音到文字的转换。的话，实现从声音到文字的转换。13语音声纹识别技术及应用语音识别语音识别基本术语基本术语特定人和非特定人（话者相关或话者无关）特定人和非特定人（话者相关或话者无关）词汇量（大，小）词汇量（大，小）孤立词，连接词，关键词和连续语音孤立词，连接词

5、，关键词和连续语音自然发音和朗读发音自然发音和朗读发音口音（方言）口音（方言）背景噪音（环境噪音）背景噪音（环境噪音）信道差异（固定电话，麦克，手机等）信道差异（固定电话，麦克，手机等）声学模型（声学模型（HMM，mono-phone，bi-phone，tri-phone）声学特征（声学特征（MFCC）解码（解码（Viterbi）14语音声纹识别技术及应用语音识别语音识别基本术语基本术语识别指标：识别指标：SER（Sentence Error Rate，句子错误率）WER（Word Error Rate，词错误率）CER（Character Error Rate，字错误率）PER（Phone

6、Error Rate，音节错误率）采样率，采样率，8kHz（电话或手机），（电话或手机），16kHz（麦克风）（麦克风）时域，频域时域，频域端点检测，静音检测或有效音检测（端点检测，静音检测或有效音检测（VAD）15语音声纹识别技术及应用语音识别语音识别分类分类 孤立词识别识别单元是有限的，单个的词；优点：速度快，识别正确率高缺点：应用范围窄，不能识别词表外的词应用案例：语音命令，手机语音拨号 连续语音识别识别单元可以是字，词或者句子优点：应用范围广缺点：速度慢，识别率不高，尤其是词表较大的时候应用案例：语音翻译，语音短信，听写机，语音邮件 关键词识别识别单元是词，判断输入语音中是否含有词表中

7、的词优点：能够处理连续语音，词表可定制缺点：速度较慢，词表越大，错误率越多应用案例：电话呼叫服务，电话安全监听16语音声纹识别技术及应用语音识别发展历史语音识别发展历史 50年代年代AT&T Bell Lab，可识别，可识别10个英文数字个英文数字60年代年代LP较好地解决了语音信号产生模型较好地解决了语音信号产生模型, DP则有效解决则有效解决了不等长语音的匹配问题。了不等长语音的匹配问题。70年代年代DTW（Dynamic Time Warp）技术基本成熟，实现）技术基本成熟，实现了基于了基于LPC和和DTW技术相结合的特定人孤立词语音识别系技术相结合的特定人孤立词语音识别系统。统。80年

8、代年代HMM模型和人工神经元网络（模型和人工神经元网络（ANN）在语音识别中）在语音识别中成功应用。成功应用。1988年美国年美国CMU大学基于大学基于VQ/HMM开发开发SI-CSR系统系统 SPHINX。90年代大规模应用，工业标准，理论进展缓慢。年代大规模应用，工业标准，理论进展缓慢。17语音声纹识别技术及应用语音识别语音识别潜在应用潜在应用语音监听语音拨号语音命令语音导航语音搜索语音听写语音翻译18语音声纹识别技术及应用语音识别系统框架语音识别系统框架19特征提取训练模式匹配拒识语法模型结果语音说话人自适应语音声纹识别技术及应用语音识别过程语音识别过程20语音声纹识别技术及应用HMM基

9、础基础(1)隐含隐含Markov模型模型观测可见，状态隐含基本要素基本要素N - 模型状态数=i - 初始概率分布A=aij - 状态转移矩阵B=bj(k) - 输出概率矩阵21o1 o2 o3 o4 t oTS1S2S3S4a11a22a33a44a12a23a34语音声纹识别技术及应用HMM基础基础(2)转移概率矩阵转移概率矩阵aij状态i到状态j发生跳转的概率2211122223333444000000000aaaaAaaa语音声纹识别技术及应用HMM基础基础(3)输出概率输出概率bi(x) x属于状态i的概率23S1S2S3S4a11a22a33a44a12a23a34b1(.)b2(

10、.)b3(.)b4(.)语音声纹识别技术及应用HMM基础基础(4)HMM的三个基本问题的三个基本问题 - - 模型评估问题模型评估问题( (如何求：如何求：P(O|)P(O|) - - 最佳路径问题最佳路径问题( (如何求：如何求：Q=qQ=q1 1q q2 2q qT T) ) - - 模型训练问题模型训练问题( (如何求：如何求：A A、B B、)24语音声纹识别技术及应用模型评估问题模型评估问题( (如何求：如何求：P(O|)P(O|)前向概率前向概率给定HMM参数 ，在t时刻处于状态i，部分观察序列为o1o2ot 的概率后向概率后向概率给定HMM参数 ，在t时刻处于状态i，部分观察序列

11、为ot+1ot+2oT 的概率25 |,21iqoooPittt |,21iqoooPitTttt语音声纹识别技术及应用模型评估问题模型评估问题( (如何求：如何求：P(O|)P(O|)前向和后向递推的示意图前向和后向递推的示意图26语音声纹识别技术及应用最佳路径问题最佳路径问题( (如何求：如何求：Q=qQ=q1 1q q2 2q qT T) )前向后向算法的缺点前向后向算法的缺点计算量的浪费状态路径不能明确判定Viterbi算法算法不完全的状态空间搜索保留状态转移路径的信息27语音声纹识别技术及应用最佳路径问题最佳路径问题( (如何求：如何求：Q=qQ=q1 1q q2 2q qT T)

12、)Viterbi算法的搜索空间算法的搜索空间28时间20s，测试8s）注册与测试录音要求较短(注册、测试均只需13s)注册与测试语音不必强求一致注册与测试录音尽量要求相似适合后台监控，海量数据检索可以作为声纹密码，一对一服务虚警相对较高准确度很高语音声纹识别技术及应用提升企业形象 作为高科技的生物识别方案，具有独特的亮点 用户直接感受的系统特点，有效提升用户对企业整体的印象有效提升用户体验 不涉及隐私，用户无任何心理障碍，用户接受程度高 在自然对话中即可实现声纹识别远程控制表现更突出 非接触式识别，唯一可用于远程控制领域的生物识别技术 更安全可靠声纹系统的优点与其他生物识别技术（如脸型、掌形、

13、虹膜识别等）相比较：与其他生物识别技术（如脸型、掌形、虹膜识别等）相比较：语音声纹识别技术及应用衡量声纹系统效果指标Imposter False Accept Rate (FAR)User False Reject Rate (FRR)安全性高安全性高Balance易用性强易用性强EER: FR=FAX X阈值阈值= 4X X阈值阈值= 2错误接受率(False Accept Rate)指非本人被错误的认为是本人的次数占总共测试次数的比值错误拒绝率(False Reject Rate)指本人被错误的认为是非本人的次数占总共测试次数的比值相等错误率(Equal Error Rate) 指FA等于

14、FR时的百分比。是衡量声纹验证效果的重要依据语音声纹识别技术及应用声纹系统准确率系统EER时长标准InterVeri(非声纹密码系统)综合7%注册语音：20秒测试语音：10秒声纹密码系统0.5%（冒认者不知道密码）2.5%（冒认者知道密码）注册和测试：2秒左右 基于科大讯飞深厚的研究积累，整合国际说话人识别大赛第一名的领先技术，提供业界领先的高准确率，帮助语音应用获得最佳安全性。语音声纹识别技术及应用第三方评测代号代号代表机构代表机构三大核心测试指标三大核心测试指标在在4444个系统中排名个系统中排名MinDCFMinDCFEEREERDCFDCFMinDCFMinDCFEEREERDCFDC

15、Fiflyifly科大讯飞科大讯飞0.107 2.625 0.187 1 11 13 3i4uCMU、新加坡IIR与科大讯飞科大讯飞、澳大利亚新南威尔士、南洋理工合作提交的系统0.123 3.225 0.178 221 1lpt意大利Loquendo公司0.145 3.188 0.188 3446464参赛单位有：CMU、MIT、Stanford、清华大学、中科院自动化所、中科院声学所、Motorola研究中心、IBM 研究院等国内外43家著名语音研究机构由NIST（美国国家标准技术研究院）举办，是国际上规模与影响力最大的说话人识别评测1996年第一次评测，之后每两年评测一次，2008年说话人

16、识别任务难度接近大规模实际应用环境（不同信道、不同环境干扰）科大讯飞首次参赛就获得综合指标第一名的好成绩语音声纹识别技术及应用声纹产品系统结构语音声纹识别技术及应用ISV2.1 （Verification）根据系统提示自动完成身份确认，依照权限进入下一步操作当确认是VIP客户时提醒坐席人员一、应用目标一、应用目标 通过声纹识别提升金融领域风险业务办理的安全性，整个系统对用户透明，因此用户体验不会受到影响应用案例一语音声纹识别技术及应用应用案例二一、应用流程一、应用流程监控矫正对象身监控矫正对象身份份发起要求进行声发起要求进行声纹验证纹验证返回矫正对象身返回矫正对象身份是否通过验证份是否通过验证

17、社区矫正管理平台社区矫正管理平台说出最近一段时说出最近一段时间近况间近况语音声纹识别技术及应用应用案例二一、系统目标一、系统目标 保外人员按照规定需要定期至当地派出所汇报当前情况，管理成本较高，采用声纹识别系统和手机定位可以有效的进行自动监控。语音声纹识别技术及应用需求分析采用基础语料数据，训练提供基本业务包，建设基线系统，通过内部测试，效果达到业务基本要求(一个月）选取试点进行试运营，收集实际应用语料，进行分析与优化，对系统参数和模型进行自适应（三个月）效果、性能、稳定性达到项目要求，正式上线，持续统计分析应用情况，进行有针对性的优化提升，不断提升识别率和减少环境多系统的影响定制优化声纹项目

18、实施过程语音声纹识别技术及应用生物识别技术比较生物识别技术比较 错误接受率错误拒绝率容易实用性处理速度/人指纹识别很低较低好2s-5s掌纹识别低5%使用困难5s-10s人脸识别低0.2%非常好5s虹膜识别很低约10% 需要培训才能使用，手工操作对虹膜有困难 仪器自动对准虹膜需要3s-5s，手工操作需要5s-25s视网膜识别未知未知不好15s-30s声纹识别声纹识别低低低低可以可以1s-3s签名识别低10%一般5s-10s语音声纹识别技术及应用声纹识别技术声纹识别技术声纹识别（又称说话人识别）技术声纹识别（又称说话人识别）技术是从说话人是从说话人发出的语音信号中提取声纹信息，并对说话人发出的语音

19、信号中提取声纹信息，并对说话人进行身份验证的生物识别技术。进行身份验证的生物识别技术。 语音声纹识别技术及应用声纹识别声纹识别基本术语基本术语类型分类：文本相关(Text-dependent)文本无关(Text-dependent)任务分类：说话人辨认(Speaker Identification)说话人确认(Speaker Verification)UBM(Universal Background Model)，通用背景模型GMM(Gaussian Mixture Model)，高斯混合模型背景噪音（环境噪音）信道差异（固定电话，手机，麦克风）身体差异，语速快慢，时间间隔语音声纹识别技术及应

20、用声纹识别声纹识别基本术语基本术语FAR（False Accept Rate），错误接受率；FRR（False Reject Rate），错误拒绝率。EER（Equal Error Rate），等错误率；即FAR=FRR时的错误率。多说话人识别，分割语音声纹识别技术及应用声纹识别声纹识别基本术语基本术语0.1 0.2 0.5 1 2 5 10 20 404020105210.50.20.1错 误 接 受 的 概 率 (%)错 误 拒绝的 概 率 (%)等错误率(ERR)=1%平衡点减少错误接受的可能，提高系统的安全。但是由于错误拒绝率高，会给用户使用带来不便。高安全性高方便性对于安全性要求不高

21、的应用场景，可以适当提高错误接受率，使得用户容易进入系统。DET (Detection Error Tradeoff) 曲线语音声纹识别技术及应用经典模型经典模型GMM(1)GMM高斯混合模型 基本原理：基本原理：根据从语音信号中提取的特征参数， 为每一个说话人建立一个GMM。为处 理的方便，人为的使不同说话人的模 型的概率密度函数在形式上都是一样 的，不同的只是函数中的参数。 优优 点：点：简单高效，可以很好的描述从语音信 号中提取的特征参数等不规则的数据。GMM是当今应用于说话人识别的最主流模型语音声纹识别技术及应用经典模型经典模型GMM(2)一个M阶高斯混合模型的概率密度函数是由M个高斯

22、概率密度函数加权求和得到，如下：其中M是混合模型的阶数，X是一个D维随机向量wi是混合权重，满足：bi(X)是子分布，每个子分布是D维的联合高斯概率分布，表示为： 是均值向量， 是协方差矩阵语音声纹识别技术及应用经典模型经典模型GMM(3)完整的高斯混合模型由参数均值向量、协方差矩阵和混合权重共同描述。因此，一个模型可表示为如下一个三元组：GMM计算结构：语音声纹识别技术及应用经典模型经典模型GMM(4) GMM的说话人鉴别(Speaker Identification)系统语音声纹识别技术及应用UBMUBM通用背景模型 UBM也是一个GMM，只是这个GMM需要用 大量的 不同说话人的语音数据

23、经过训练来表 示说话 人无关的特征分布，这种特征是大多 数说话人的共性特征共性特征。语音声纹识别技术及应用GMM-UBM建模 说话人需要建立自己的模型时，就可以通过 自适应UBM来得到个性特征，即修正后的参 数，从而得到自己的GMM。GMM-UBM优点实现信道均衡少量训练数据得到比较理想的说话人模型语音声纹识别技术及应用说话人确认系统说话人确认系统GMM-UBM说话人确认系统语音声纹识别技术及应用研究热点研究热点技术难题：技术难题：跨信道、噪声跨信道、噪声 实验室理想条件实验室理想条件 实际应用场合（远程、噪声背景）实际应用场合（远程、噪声背景） 训练阶段训练阶段识别阶段识别阶段语音声纹识别技

24、术及应用解决办法解决办法信道补偿信道补偿支持向量机（支持向量机（SVM）联合因子分析（联合因子分析（JFA）迁移学习（迁移学习（Transfer Learning）语音声纹识别技术及应用SVM训练训练语音声纹识别技术及应用声纹识别声纹识别应用产品应用产品USB Voice Key声纹证件公安系统银行系统语音声纹识别技术及应用 声纹监听 多人识别 声纹比对 银行（电话，网上） 证券 银行卡，身份卡 声纹密匙 高档酒店，会员俱乐部，贵族商城等 玩具 汽车 个人电脑（家庭分级密码）公安领域？金融领域？生活领域 声纹识别声纹识别潜在应用潜在应用语音声纹识别技术及应用典型应用典型应用司法鉴定司法鉴定 我

25、们开发的智能声纹识别系统，已成功应用在司法我们开发的智能声纹识别系统，已成功应用在司法鉴定等领域。鉴定等领域。 目前已成功完成多个声纹鉴定（同一性认定）、声目前已成功完成多个声纹鉴定（同一性认定）、声音完整性认定等项目，为司法部门提供了可靠的判音完整性认定等项目，为司法部门提供了可靠的判断依据。断依据。语音声纹识别技术及应用典型应用典型应用科技馆科技馆语音声纹识别技术及应用典型应用典型应用教育系统教育系统语音声纹识别技术及应用典型应用典型应用教育系统教育系统配置选项在线测试离线测试添加说话人添加新模型累积训练删除说话人删除模型说话人确认说话人身份确认波形图实时语音波形静音检测语音声纹识别技术及

26、应用典型应用典型应用基于声纹识别技术的电话语音远程考勤系统基于声纹识别技术的电话语音远程考勤系统电话通信中，通过识别来电号电话通信中，通过识别来电号码（必须是固定电话）和来电码（必须是固定电话）和来电者说话声音的个人特征，我们者说话声音的个人特征，我们的系统就可以快速的自动判断的系统就可以快速的自动判断被监控人是否在规定的时间出被监控人是否在规定的时间出现在规定的场所执行任务，以现在规定的场所执行任务，以及记录在该场所停留的时间长及记录在该场所停留的时间长度。度。这个技术方案主要应用在电话这个技术方案主要应用在电话远程考勤、移动办公、医疗服远程考勤、移动办公、医疗服务监控、监狱管理、劳改犯人务

27、监控、监狱管理、劳改犯人的狱外服刑以及对假释犯罪嫌的狱外服刑以及对假释犯罪嫌疑人的自动监控等方面。疑人的自动监控等方面。语音声纹识别技术及应用参考资料参考资料X.D. Huang, A. Acero, and H.-W. Hon, Spoken Language Processing: a Guide to Theory, Algorithm, and System Development, Upper Saddle River, New Jersey: Prentice Hall, 2001.L.R. Rabiner and B.-H. Juang, Fundamentals of Spee

28、ch Recognition, Prentice-Hall, Englewood Cliffs, 1993.T. Kinnunen, H.Z. Li, An overview of text-independent speaker recognition: From features to supervectors, Speech Communication, Volume 52, Issue 1, January 2010, Pages 12-40. HTK: http:/htk.eng.cam.ac.uk/Sensory: http:/TalentedSoft: http:/CTI论坛：论坛： http:/