安卓平臺(tái)說話人識別系統(tǒng)的實(shí)現(xiàn)

何建軍

【摘要】? ? 本文在安卓平臺(tái)上設(shè)計(jì)實(shí)現(xiàn)了基于GMM模型的說話人識別系統(tǒng)，完成了GMM模型參數(shù)的訓(xùn)練和識別過程。并基于TIMIT語料庫，通過調(diào)整GMM階數(shù)和測試人數(shù)，對基于GMM模型的說話人識別系統(tǒng)的時(shí)效性進(jìn)行了驗(yàn)證分析。實(shí)驗(yàn)結(jié)果表明：①GMM模型的階數(shù)越多，系統(tǒng)的識別時(shí)間越長;②測試人數(shù)越多，系統(tǒng)的識別時(shí)間越長。在GMM模型階數(shù)不高以及使用人數(shù)不多的情況下，該說話人識別系統(tǒng)基本滿足用戶的使用需求。

【關(guān)鍵詞】? ? 美爾頻率倒譜系數(shù)? ? 高斯混合模型? ? 說話人識別? ? 安卓

引言：

說話人識別，也叫聲紋識別，是通過對說話人語音信號的分析處理來完成說話人的辨認(rèn)或確認(rèn)。隨著嵌入式軟硬件技術(shù)和無線通信領(lǐng)域的迅猛發(fā)展，語音輸入和控制將成為手持移動(dòng)設(shè)備和嵌入式系統(tǒng)最佳的交互方式，以聲紋信息為特征的身份鑒別技術(shù)也越發(fā)顯得重要。

與基于PC機(jī)的說話人識別系統(tǒng)相比，雖然基于嵌入式設(shè)備的說話人識別系統(tǒng)在存儲(chǔ)容量、運(yùn)算速度等方面都不及PC機(jī)，但是，基于嵌入式設(shè)備的說話人識別系統(tǒng)由于同時(shí)具備嵌入式系統(tǒng)本身的低功耗、便攜性、可靠性，以及說話人識別技術(shù)的準(zhǔn)確性、方便性、經(jīng)濟(jì)性等諸多優(yōu)勢[1]，隨著嵌入式軟硬件技術(shù)和無線電通信技術(shù)的迅猛發(fā)展，基于嵌入式設(shè)備的說話人識別系統(tǒng)的優(yōu)勢越發(fā)彰顯。

一、說話人識別技術(shù)

目前，說話人識別新技術(shù)接連不斷出現(xiàn)，如GMM-UBM結(jié)構(gòu)[2]與支持向量機(jī)（support vector machine，簡稱SVM） [3-4]結(jié)合技術(shù)、基于得分規(guī)整技術(shù)的HNORM、ZNORM和TNORM技術(shù)、潛伏因子分析（latent factor analysis，簡稱LFA）技術(shù)、大詞匯表連續(xù)語音識別（large vocabulary continuous speech recognition，簡稱LVCSR）應(yīng)用于說話人識別技術(shù)、話音信號中的高維信息使用、以及用于解決通道失配問題的SMS技術(shù)等等。然而，當(dāng)今最出色的說話人識別系統(tǒng)依然是基于GMM模型的，尤其是基于UBM-MAP結(jié)構(gòu)的。

說話人識別的目的是識別出說話人的身份，其前提是需要提供說話人所講的一段話，從而從該語音中提取能夠反映說話人個(gè)性的特征參數(shù)，再分析和處理這些參數(shù)，最終甄別出說話人的身份。其實(shí)質(zhì)是一個(gè)模式識別[5-6]的問題，基本原理是將待識別的說話人模型與現(xiàn)存模板庫中的模型進(jìn)行比較，根據(jù)概率似然度或某種距離來判定待識別的說話人是庫中哪個(gè)說話人，或判斷待識別的說話人究竟是不是所聲稱的那個(gè)說話人。說話人識別系統(tǒng)通常由語音信號預(yù)處理、說話人特征參數(shù)提取、模型參數(shù)訓(xùn)練、模式匹配和結(jié)果判決等幾部分組成，其基本結(jié)構(gòu)框圖[7]如圖1所示。此外，說話人識別系統(tǒng)還必須對判決閾值進(jìn)行選擇，從而達(dá)到較好的識別效果。

一個(gè)完整的說話人識別系統(tǒng)的建立和應(yīng)用可分為模型參數(shù)訓(xùn)練階段和結(jié)果識別階段[8]。

模型訓(xùn)練框圖如圖2所示。

結(jié)果識別框圖如圖3所示。

本文語音加窗預(yù)處理使用的是漢明窗，采用美爾頻率倒譜系數(shù)（Mel Frequency Cepstrum Coefficient，簡稱MFCC）[9-11]作為特征參數(shù)，采用高斯混合模型作為訓(xùn)練/識別模型。

二、系統(tǒng)實(shí)現(xiàn)及實(shí)驗(yàn)結(jié)果分析

2.1系統(tǒng)在安卓平臺(tái)的實(shí)現(xiàn)

2.1.1 軟件開發(fā)環(huán)境

軟件開發(fā)環(huán)境如下：

1.操作系統(tǒng)：Windows XP;

2.開發(fā)環(huán)境：Eclipse 3.5;

3.開發(fā)工具包：JDK1.6和Android 2.2 SDK。

2.1.2 用戶界面

用戶界面是使用安卓提供的GUI組件實(shí)現(xiàn)的，最終實(shí)現(xiàn)的效果如圖4所示。

訓(xùn)練部分：訓(xùn)練時(shí)，先設(shè)置特征向量和GMM模型參數(shù)，然后點(diǎn)擊“選擇語音文件”按鈕選擇訓(xùn)練語音文件，最后點(diǎn)擊“建立模型”或“繼續(xù)訓(xùn)練”按鈕進(jìn)行模型訓(xùn)練，并保存模型參數(shù)，模型訓(xùn)練流程如圖5所示。

識別時(shí)，同樣需要先設(shè)置特征向量和GMM模型參數(shù)，然后點(diǎn)擊“選擇語音文件”選擇待識別語音文件，最后點(diǎn)擊“識別”按鈕進(jìn)行識別并輸出匹配結(jié)果，識別流程如圖6所示。

2.1.3 語音數(shù)據(jù)

語音數(shù)據(jù)提取主要實(shí)現(xiàn)由類WavReader（如圖7所示）完成，用戶選擇語音文件后，在選擇“建立模型”、“繼續(xù)訓(xùn)練”或“識別”按鈕時(shí)，主程序?qū)⒄Z音文件路徑傳入類WavReader中，類WavReader則從語音文件中讀取并返回語音數(shù)據(jù)。

類WavReader的主要成員方法說明：

1. public WavReader（ String fileName ）

該方法用于實(shí)例化一個(gè)WavReader對象。其中，方法參數(shù)為待讀取的語音文件路徑。

2. public int getSampleRate（ ）

該方法用于獲取wav文件的采樣率。

3. public int getNumSamples（ ）

該方法用于獲取wav文件數(shù)據(jù)點(diǎn)數(shù)，即語音數(shù)據(jù)采樣點(diǎn)數(shù)。

4. public double[] getSampleData（ ）

該方法用于獲取Wav文件語音數(shù)據(jù)，獲取的語音數(shù)據(jù)長度為getNumSamples（）的返回值。

2.1.4 特征提取

本文采用MFCC作為特征參數(shù)，先將語音的功率譜轉(zhuǎn)換成Mel頻率對應(yīng)的功率譜，再進(jìn)行濾波取對數(shù)，最后進(jìn)行離散余弦變換的方法求取出來，其計(jì)算流程如圖8所示。

特征提取的主要實(shí)現(xiàn)由類MFCC（如圖9所示）完成，用戶選擇語音文件后，再次選擇“建立模型”、“繼續(xù)訓(xùn)練”或“識別”按鈕時(shí)，主程序?qū)⒆x取出的語音采樣數(shù)據(jù)與待提取特征矢量的相關(guān)參數(shù)傳入類MFCC中，類MFCC則進(jìn)行特征參數(shù)提取并返回特征矢量。

類MFCC的主要成員方法說明：

1. public MFCC（int sampleRate， int windowSize， int incSize， int

numberCoefficients， int numberFilters）

該方法用于實(shí)例化一個(gè)MFCC對象。其中，方法參數(shù)sampleRate為語音數(shù)據(jù)采樣率;windowSize為一幀語音數(shù)據(jù)采樣點(diǎn)數(shù)，即幀長;incSize為相鄰兩幀重疊點(diǎn)數(shù)，即幀移;numberCoefficients為MFCC參數(shù)維數(shù);numberFilters為Mel尺度濾波器數(shù)。

2. public float[][] melcepst（double input[]）

該方法用于從語音數(shù)據(jù)中提取MFCC特征參數(shù)。其中，方法參數(shù)input為從wav文件中提取出來的語音數(shù)據(jù)。

3. private double[] hamming（int size）

該方法用于產(chǎn)生漢明窗。其中，方法參數(shù)size為窗口長度。

4. private double[][] enframe（double input[]， double window[]， int frameShift）

該方法用于對語音數(shù)據(jù)進(jìn)行分幀。其中，方法參數(shù)input為待分幀語音數(shù)據(jù);window為幀長，也是加窗操作的漢明窗窗口長度;frameShift為幀移。

5. private Map rfft（double input[][]， int row， int column， int n， int dim）

該方法用于計(jì)算語音信號的頻譜，即進(jìn)行短時(shí)傅里葉變換（DFT）。其中，方法參數(shù)input為分幀后的語音數(shù)據(jù);row為分幀語音數(shù)據(jù)的列數(shù);column為分幀語音數(shù)據(jù)的行數(shù);n為FFT變換點(diǎn)數(shù);dim為矩陣維數(shù)。

6. private Map melbankm（int melChnNum， int fftSize， int fs， float fl， float fh）

該方法用于計(jì)算Mel尺度濾波器系數(shù)。其中，方法參數(shù)melChnNum為Mel尺度濾波器數(shù);fftSize為FFT長度;fs為采樣率;fl為Mel濾波器的開始間隔;fh為Mel濾波器的結(jié)束間隔。

7. private double[][] rdct（double x[][]， int m， int k）

該方法用于對Mel尺度濾波器輸出的對數(shù)功率譜進(jìn)行反離散余弦變換（DCT）。其中，方法參數(shù)x為濾波器輸出的對數(shù)功率譜;m為FFT長度;k為幀長。

2.1.5 模型訓(xùn)練/識別

模型訓(xùn)練/識別的主要實(shí)現(xiàn)由類Gauss（如圖10所示）完成，用戶選擇語音文件，及選擇“建立模型”或“繼續(xù)訓(xùn)練”后，主程序?qū)⒆x取出的語音采樣數(shù)據(jù)與待提取特征矢量的相關(guān)參數(shù)傳入類Gauss中，類Gauss則進(jìn)行GMM模型參數(shù)估計(jì)。

類Gauss的主要成員方法說明：

1. public Map gaussmix（float x[][]， float c， float l， int m0， String v0）

該方法用于初始化GMM模型參數(shù)。其中，方法參數(shù)x為MFCC特征參數(shù);c為最小方差的歸一化數(shù)據(jù);l的整數(shù)部分為最大迭代次數(shù)，小數(shù)部分為迭代終止閥值;m0為GMM混合數(shù);v0為GMM初始方法設(shè)置。

本函數(shù)采用K-均值聚類算法初始化GMM模型參數(shù)。

2. public Map gaussmix（float x[][]， float c， float l， float m0[][]， float v0[][]， float w0[]）

該方法用于估計(jì)GMM模型參數(shù)。其中，方法參數(shù)x為MFCC特征參數(shù);c為最小方差的歸一化數(shù)據(jù);l的整數(shù)部分為最大迭代次數(shù)，小數(shù)部分為迭代終止閥值;m0為GMM模型的均值矩陣;v0為GMM模型的方差矩陣;w0為GMM模型的權(quán)重向量。

本函數(shù)采用EM算法對GMM模型參數(shù)進(jìn)行估算。

3. public Map gaussmixp（float y[][]， float m[][]， float v[][]， float w[]）

該方法用于計(jì)算對數(shù)似然度。其中，方法參數(shù)y為MFCC特征參數(shù);m為GMM模型的均值矩陣;v為GMM模型的方差矩陣;w為GMM模型的權(quán)重向量。

4. private Map gaussmix_train_diagonal（float xs[][]， float m[][]， float v[][]，float w[]，float c， float l， float sx0[]， float mx0[]）

該方法用于估計(jì)GMM模型參數(shù)，協(xié)方差矩陣取對角陣。其中，方法參數(shù)xs為MFCC特征參數(shù);m為GMM模型的均值矩陣;v為GMM模型的方差矩陣;w為GMM模型的權(quán)重向量;c為最小方差的歸一化數(shù)據(jù);l的整數(shù)部分為最大迭代次數(shù)，小數(shù)部分為迭代終止閥值;sx0和mx0為gaussmix（ ）方法內(nèi)部使用變量。

5. public Map kmeans（float d[][]， int k， String x0， int l）

該方法為K-均值聚類算法。其中，方法參數(shù)d為待分類的數(shù)據(jù);k為GMM模型混合數(shù);x0為初始化方法設(shè)置;l為最大迭代次數(shù)。

2.1.6 模型參數(shù)存取

模型訓(xùn)練完成后，需將模型參數(shù)存儲(chǔ)在SD卡中，在識別時(shí)從SD卡讀出。模型參數(shù)存取的主要實(shí)現(xiàn)由類Matrix（如圖11所示）完成。

識別時(shí)，同樣需要先設(shè)置特征向量和GMM模型參數(shù)，然后點(diǎn)擊“選擇語音文件”選擇待識別語音文件，最后點(diǎn)擊“識別”按鈕進(jìn)行識別并輸出匹配結(jié)果，識別流程如圖6所示。

操作Matrix的主要方法說明：

1. public void writeMatrix（Matrix matrix，String fileName）

該方法用于將Matrix對象數(shù)據(jù)保存到文件中。其中，方法參數(shù)matrix為待寫入的矩陣數(shù)據(jù);fileName為待寫入文件的文件名。

2. public Matrix? readMatrix（String fileName）

該方法用于從文件中讀取Matrix對象數(shù)據(jù)。其中，方法參數(shù)fileName為待讀取矩陣數(shù)據(jù)的文件名。

估計(jì)出的GMM模型參數(shù)的存儲(chǔ)、讀取分別由函數(shù)writeMatrix（）和readMatrix（）來完成。

2.1.7 權(quán)限聲明

要實(shí)現(xiàn)對SD卡的寫入、刪除，以及錄音操作，需為應(yīng)用程序添加相應(yīng)操作權(quán)限。應(yīng)用程序的操作權(quán)限需AndroidManifest.xml文件中添加，即在元素里添加如下權(quán)限聲明：

1.添加寫SD卡權(quán)限

2.添加SD卡文件刪除權(quán)限

3.添加錄音權(quán)限

2.2 實(shí)驗(yàn)結(jié)果分析

在安卓平臺(tái)手機(jī)上進(jìn)行說話人識別，時(shí)效性是影響系統(tǒng)性能的一個(gè)重要指標(biāo)。實(shí)驗(yàn)從TIMIT語音庫中隨機(jī)選取20人的語音作為樣本，分別從不同訓(xùn)練語音時(shí)長和不同測試人數(shù)對說話人識別系統(tǒng)的時(shí)效性進(jìn)行了分析。

2.2.1 實(shí)驗(yàn)環(huán)境

識別系統(tǒng)的運(yùn)行環(huán)境為LG P990手機(jī)，其主要配置如下：

1. CPU：雙核1GHz;

2. RAM：512MB;

3.操作系統(tǒng)：安卓 2.2。

2.2.2 GMM模型的階數(shù)對系統(tǒng)時(shí)效性的影響

GMM模型的階數(shù)不同，系統(tǒng)的識別時(shí)間也不相同，為了測試不同GMM模型的階數(shù)對系統(tǒng)時(shí)效性的影響，本論文做了GMM模型階數(shù)對系統(tǒng)時(shí)效性影響實(shí)驗(yàn)。

實(shí)驗(yàn)條件如下：從TIMIT語音庫中選取10人的10段語音作為樣本數(shù)據(jù)，平均每段語音長4.5秒， 任選其中一段作為測試數(shù)據(jù)，在MFCC系數(shù)的維數(shù)為12，測試人數(shù)為10的情況下，分別用不同GMM模型階數(shù)測試系統(tǒng)的識別時(shí)間，測試結(jié)果如表1所示：

從實(shí)驗(yàn)結(jié)果可以看出，GMM模型的階數(shù)越多，系統(tǒng)的識別時(shí)間越長。因此，為安卓平臺(tái)手機(jī)選擇一個(gè)合適的GMM模型階數(shù)是很有必要的。一般來說，階數(shù)的選擇不易取得過高，但也不能太小，往往需要大量的實(shí)驗(yàn)數(shù)據(jù)來確定。

2.2.3 測試人數(shù)對系統(tǒng)時(shí)效性的影響

測試人數(shù)不同，系統(tǒng)的識別時(shí)間也不相同，為了測試不同人數(shù)對系統(tǒng)時(shí)效性的影響，本論文做了測試人數(shù)對系統(tǒng)時(shí)效性影響實(shí)驗(yàn)。

實(shí)驗(yàn)條件如下：從TIMIT語音庫中選取20人的20段語音作為樣本數(shù)據(jù)，平均每段語音長4.5秒， 任選其中一段作為測試數(shù)據(jù)，在GMM模型的階數(shù)為16，MFCC系數(shù)的維數(shù)為12的情況下，分別用不同人數(shù)測試系統(tǒng)的識別時(shí)間，測試結(jié)果如表2所示：

從實(shí)驗(yàn)結(jié)果可以看出，測試人數(shù)越多，系統(tǒng)的識別時(shí)間越長。因此，在安卓平臺(tái)手機(jī)上進(jìn)行說話人識別，應(yīng)限制使用人數(shù)，過長的系統(tǒng)識別時(shí)間是人們所不能接受的。

四、結(jié)束語

本文在Android平臺(tái)上設(shè)計(jì)實(shí)現(xiàn)的基于GMM的說話人識別系統(tǒng)，并通過實(shí)驗(yàn)分析了不同模型參數(shù)以及不同人數(shù)對系統(tǒng)時(shí)效性的影響。實(shí)驗(yàn)結(jié)果表明，在GMM模型階數(shù)不高以及使用人數(shù)不多的情況下，本文實(shí)現(xiàn)的說話人識別系統(tǒng)基本滿足用戶的使用需求。

參? 考? 文? 獻(xiàn)

[1]哈斯塔木嘎. 嵌入式Linux環(huán)境下與文本有關(guān)的說話人確認(rèn)系統(tǒng)的實(shí)現(xiàn)[D]. 呼和浩特：內(nèi)蒙古大學(xué)學(xué)位論文，2009：1-2.

[2]周玥媛，孔欽. 基于 GMM-UBM 的聲紋識別技術(shù)的特征參數(shù)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2020，30（5）：76-83.

[3] Cortes C， Vapnik V. Support-Vector Networks[J]. Machine Learning， 1995，20（3）：273-297.

[4]李薈， 趙云敏. GMM-UBM和 SVM在說話人識別中的應(yīng)用[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2018，27（1）：225-230.

[5]齊敏，李大健，郝重陽. 模式識別導(dǎo)論[M]. 北京：清華大學(xué)出版社，2009：27-30.

[6]孫即祥. 現(xiàn)代模式識別（第二版）[M]. 北京：高等教育出版社，2008：47.

[7] Reynolds D A， Quatieri T F， Dunn R B. Speaker Verification Using Adapted Gaussian Mixture Model[J]. Digital Signal Processing，2000 （10）：19-41.

[8]陳強(qiáng). 基于GMM的說話人識別系統(tǒng)研究與實(shí)現(xiàn)[D]. 武漢：武漢理工大學(xué)碩士學(xué)位論文，2010：31.

[9]周萍 沈昊，鄭凱鵬. 基于MFCC 與GFCC 混合特征參數(shù)的說話人識別[J]. 應(yīng)用科學(xué)學(xué)報(bào)，2019，37（1）：24-32.

[10]邵央等. 基于MFCC和加權(quán)矢量量化的說話人識別系統(tǒng)[J]. 計(jì)算機(jī)工程與應(yīng)用，2002（5）：127-128.

[11]蔣皓石. 基于矢量量化的說話人識別研究[D]. 長沙：國防科學(xué)技術(shù)大學(xué)碩士學(xué)位論文，2005：24-26.