说话人识别matlab实现

转自:https://blog.csdn.net/qq_18124075/article/details/78867536

说话人识别

这里,博主对说话人两个baseline模型应该matlab的MSR工具箱进行处理。

1、GMM-UBM说话人识别

这里主要分为4个步骤:
1、训练UBM通用背景模型
2、最大后验准则MAP从UBM通用背景模型里面训练每一个说话人的声学模型
3、交叉得分
4、计算最终的测试效果,这里用AUC和EER表示,可以方便与最近的深度学习方法做比较。
具体程序
设置环境参数:说话人有20个。每一帧的维度为13,这里可以根据MFCC的维度进行修改。一般语音数据都是单信道,这里可以对信道进行设置,本实验的信道为10。
[plain]  view plain  copy
  1. nSpeakers = 20;  
  2. nDims = 13;             % dimensionality of feature vectors  
  3. nMixtures = 32;         % How many mixtures used to generate data  
  4. nChannels = 10;         % Number of channels (sessions) per speaker  
  5. nFrames = 100;         % Frames per speaker (10 seconds assuming 100 Hz)  
  6. nWorkers = 1;           % Number of parfor workers, if available  

这里为了方便不用一般的语音数据库如TIMIT,直接生产随机多信道的音频数据(10信道)。这里trainSpeakerData和testSpeakerData为20*10的cell,20为说话人的个数,10为说话人的信道数。每个说话人在训练和测试集里面是一一对应的。在每一个cell里面维度为13*100,13为分帧之后的维度,100位帧数,在实际中分帧后的语音都会经过MFCC特征提取。
[plain]  view plain  copy
  1. % Pick random centers for all the mixtures.  
  2. mixtureVariance = .10;  
  3. channelVariance = .05;  
  4. mixtureCenters = randn(nDims, nMixtures, nSpeakers);  
  5. channelCenters = randn(nDims, nMixtures, nSpeakers, nChannels)*.1;  
  6. trainSpeakerData = cell(nSpeakers, nChannels);  
  7. testSpeakerData = cell(nSpeakers, nChannels);  
  8. speakerID = zeros(nSpeakers, nChannels);  
  9.   
  10. % Create the random data. Both training and testing data have the same  
  11. % layout.  
  12. disp('Create the random data');  
  13. for s=1:nSpeakers  
  14.     trainSpeechData = zeros(nDims, nMixtures);  
  15.     testSpeechData = zeros(nDims, nMixtures);  
  16.     for c=1:nChannels  
  17.         for m=1:nMixtures  
  18.             % Create data from mixture m for speaker s  
  19.             frameIndices = m:nMixtures:nFrames;  
  20.             nMixFrames = length(frameIndices);  
  21.             trainSpeechData(:,frameIndices) = ...  
  22.                 randn(nDims, nMixFrames)*sqrt(mixtureVariance) + ...  
  23.                 repmat(mixtureCenters(:,m,s),1,nMixFrames) + ...  
  24.                 repmat(channelCenters(:,m,s,c),1,nMixFrames);  
  25.             testSpeechData(:,frameIndices) = ...  
  26.                 randn(nDims, nMixFrames)*sqrt(mixtureVariance) + ...  
  27.                 repmat(mixtureCenters(:,m,s),1,nMixFrames) + ...  
  28.                 repmat(channelCenters(:,m,s,c),1,nMixFrames);  
  29.         end  
  30.         trainSpeakerData{s, c} = trainSpeechData;  
  31.         testSpeakerData{s, c} = testSpeechData;  
  32.         speakerID(s,c) = s;                 % Keep track of who this is  
  33.     end  
  34. end  

现在正式进入GMM-UBM阶段:
训练UBM通用背景模型,UBM也可以理解成混合高斯模型,说白了就是多个告诉模型的加权和。它的作用可以在说话人语料不足的情况下,依据UBM模型自适应得到集内说话人的模型。我们对高斯模型进行参数估计,会得到一个ubm的结构体,里面包含了每个说话人的权值、mu、sigma。
[plain]  view plain  copy
  1. % Step1: Create the universal background model from all the training speaker data  
  2. disp('Create the universal background model');  
  3. nmix = nMixtures;           % In this case, we know the # of mixtures needed  
  4. final_niter = 10;  
  5. ds_factor = 1;  
  6. ubm = gmm_em(trainSpeakerData(:), nmix, final_niter, ds_factor, nWorkers);  

最大后验准则MAP从UBM通用背景模型里面训练每一个说话人的声学模型,自适应的策略是根据目标说话人的训练集trainSpeakerData特征矢量与第一步求得的UBM的相似程度,将UBM的各个高斯分量按训练集特征矢量进行调整,从而形成目标说话人的声学模型。再根据EM重估公式,计算每一个说话人修正模型的最优参数。

[html]  view plain  copy
  1. % Step2: Now adapt the UBM to each speaker to create GMM speaker model.  
  2. disp('Adapt the UBM to each speaker');  
  3. map_tau = 10.0;  
  4. config = 'mwv';  
  5. gmm = cell(nSpeakers, 1);  
  6. for s=1:nSpeakers  
  7.     disp(['for the ',num2str(s),' speaker...']);  
  8.     gmm{s} = mapAdapt(trainSpeakerData(s, :), ubm, map_tau, config);  
  9. end  

计算每个说话人模型的得分。因为在说话人确认系统中,与说话人辨认不同,测试目标testSpeakerData变为确认某段测试语音是否来源于某个目标说话人,本实验为20个说话人。如果测试语音与目标语音来源于相同的说话人,则此次测试为目标测试(target test);反之,如果测试语音与目标语音来源与不同的说话人,则此次测试为非目标测试(non-target test)。将目标测试与非目标测试的后验概率比作为得分。

[plain]  view plain  copy
  1. % Step3: Now calculate the score for each model versus each speaker's data.  
  2. % Generate a list that tests each model (first column) against all the  
  3. % testSpeakerData.  
  4. trials = zeros(nSpeakers*nChannels*nSpeakers, 2);  
  5. answers = zeros(nSpeakers*nChannels*nSpeakers, 1);  
  6. for ix = 1 : nSpeakers,  
  7.     b = (ix-1)*nSpeakers*nChannels + 1;  
  8.     e = b + nSpeakers*nChannels - 1;  
  9.     trials(b:e, :)  = [ix * ones(nSpeakers*nChannels, 1), (1:nSpeakers*nChannels)'];  
  10.     answers((ix-1)*nChannels+b : (ix-1)*nChannels+b+nChannels-1) = 1;  
  11. end  
  12. disp('Calculate the score for each model vs test speaker');  
  13. gmmScores = score_gmm_trials(gmm, reshape(testSpeakerData', nSpeakers*nChannels,1), trials, ubm);  

计算指标AUC和EER。对于开集的说话人辨认系统,需要将测试语音的输出得分与特定的阈值进行比较,以做出是否是集外说话人的判决。对于说话人确认系统,需要对测试语音的输出得分进行判决,一般是将其与一特定的阈值进行比较,若大于此阈值则接受其为目标说话人,否则判定其为冒认说话人。因而,阈值的选取对说话人识别系统的性能有着直接的影响,尤其是在实用的说话人识别系统研究中,阈值选取问题更是得到了研究者们的广泛关注,提出了许多有效的阈值选取方法,其中比较常用的有等错误率(equal error rate,EER)阈值。这里,博主加入了AUC,可以方便与深度学习方法做对比。

[plain]  view plain  copy
  1. % Step4: Now compute the EER and plot the DET curve and confusion matrix  
  2. imagesc(reshape(gmmScores,nSpeakers*nChannels, nSpeakers))  
  3. title('Speaker Verification Likelihood (GMM Model)');  
  4. ylabel('Test # (Channel x Speaker)'); xlabel('Model #');  
  5. colorbar; drawnow; axis xy  
  6. figure  
  7. disp('Compute the EER');  
  8. [eer,auc] = compute_eer(gmmScores, answers, true);  

2、基于ivector的GMM-UBM说话人识别

基于ivector的GMM-UBM模型是最近比较流行的baseline方法,这篇 博客说得比较详细。这里就不再啰嗦地说明了。具体实现步骤为
1、训练UBM通用背景模型
2、计算通用背景模型的总变化空间
3、训练Gaussian 概率线性判别PLDA模型,这样可以极大程度地提高ivector对说话人识别的影响
4、交叉得分
5、计算最终的测试效果,这里用AUC和EER表示,可以方便与最近的深度学习方法做比较。
其具体部分程序如下:

[plain]  view plain  copy
  1. % Step1: Create the universal background model from all the training speaker data  
  2. nmix = nMixtures;           % In this case, we know the # of mixtures needed  
  3. final_niter = 10;  
  4. ds_factor = 1;  
  5. ubm = gmm_em(trainSpeakerData(:), nmix, final_niter, ds_factor, nWorkers);  
  6.   
  7.   
  8. %%  
  9. % Step2.1: Calculate the statistics needed for the iVector model.  
  10. stats = cell(nSpeakers, nChannels);  
  11. for s=1:nSpeakers  
  12.     for c=1:nChannels  
  13.         [N,F] = compute_bw_stats(trainSpeakerData{s,c}, ubm);  
  14.         stats{s,c} = [N; F];  
  15.     end  
  16. end  
  17.   
  18. % Step2.2: Learn the total variability subspace from all the speaker data.  
  19. tvDim = 100;  
  20. niter = 5;  
  21. T = train_tv_space(stats(:), ubm, tvDim, niter, nWorkers);  
  22. %  
  23. % Now compute the ivectors for each speaker and channel.  The result is size  
  24. %   tvDim x nSpeakers x nChannels  
  25. devIVs = zeros(tvDim, nSpeakers, nChannels);  
  26. for s=1:nSpeakers  
  27.     for c=1:nChannels  
  28.         devIVs(:, s, c) = extract_ivector(stats{s, c}, ubm, T);  
  29.     end  
  30. end  
  31.   
  32. %%  
  33. % Step3.1: Now do LDA on the iVectors to find the dimensions that matter.  
  34. ldaDim = min(100, nSpeakers-1);  
  35. devIVbySpeaker = reshape(devIVs, tvDim, nSpeakers*nChannels);  
  36. [V,D] = lda(devIVbySpeaker, speakerID(:));  
  37. finalDevIVs = V(:, 1:ldaDim)' * devIVbySpeaker;  
  38.   
  39. % Step3.2: Now train a Gaussian PLDA model with development i-vectors  
  40. nphi = ldaDim;                  % should be <= ldaDim  
  41. niter = 10;  
  42. pLDA = gplda_em(finalDevIVs, speakerID(:), nphi, niter);  
  43.   
  44. %%  
  45. % Step4.1: OK now we have the channel and LDA models. Let's build actual speaker  
  46. % models. Normally we do that with new enrollment data, but now we'll just  
  47. % reuse the development set.  
  48. averageIVs = mean(devIVs, 3);           % Average IVs across channels.  
  49. modelIVs = V(:, 1:ldaDim)' * averageIVs;  
  50.   
  51.   
  52. % Step4.2: Now compute the ivectors for the test set   
  53. % and score the utterances against the models  
  54. testIVs = zeros(tvDim, nSpeakers, nChannels);   
  55. for s=1:nSpeakers  
  56.     for c=1:nChannels  
  57.         [N, F] = compute_bw_stats(testSpeakerData{s, c}, ubm);  
  58.         testIVs(:, s, c) = extract_ivector([N; F], ubm, T);  
  59.     end  
  60. end  
  61. testIVbySpeaker = reshape(permute(testIVs, [1 3 2]), ...  
  62.                             tvDim, nSpeakers*nChannels);  
  63. finalTestIVs = V(:, 1:ldaDim)' * testIVbySpeaker;  

3、参考文献

[1] N. Dehak, P. Kenny, R. Dehak, P. Dumouchel, and P. Ouellet, "Front-end factor analysis for speaker verification," IEEE TASLP, vol. 19, pp. 788-798, May 2011. 
[2] P. Kenny, "A small footprint i-vector extractor," in Proc. Odyssey,  The Speaker and Language Recognition Workshop, Jun. 2012.
[3] D. Matrouf, N. Scheffer, B. Fauve, J.-F. Bonastre, "A straightforward and efficient implementation of the factor analysis model for speaker verification," in Proc.         INTERSPEECH, Antwerp, Belgium, Aug. 2007, pp. 1242-1245.  
 
转自:http://blog.csdn.net/qq_18124075/article/details/78867536
  • 3
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值