基于GMM的普通话和四川方言独立文本的说话人确认

计算机应用

基于GMM的普通话和四川方言独立文本的说话人确认

赵靖龚卫国杨利平

重庆市重庆大学A区光电学院1105室

收稿日期:2007-10-09 修回日期:2007-11-29 发布日期:2008-03-01 出版日期:2008-03-01
通讯作者: 赵靖

Mandarin-Sichuan dialect bilingual text-independent speaker verification using GMM

Received:2007-10-09 Revised:2007-11-29 Online:2008-03-01 Published:2008-03-01
Contact: Jing Zhao

摘要/Abstract

摘要： 针对训练和测试阶段中的语音数据类型（普通话和四川方言）的不匹配导致说话人确认系统性能下降很大的问题，提出了一种新的建立高斯混合模型（GMM）方法——普通话和四川方言按比例混合建立普通话和四川方言联合GMM的方法，并发现使系统针对普通话和四川方言不匹配导致的性能下降率至很低（2.79%）的比例。实验结果表明，该方法可以有效地加强测试阶段针对语种变化的鲁棒性，可以有效的减少普通话和四川方言在训练和测试阶段的不匹配造成的性能下降率。

关键词: 说话人确认, 高斯混合模型, 独立文本, 双语种说话人确认

Abstract: Due to the mismatch between mandarin and Sichuan dialect in training and test stages, the performance of speaker verification system degrades dramatically. To solve this problem, a combined Gaussian Mixture Model （GMM）, which is trained by proportional pooling mandarin and Sichuan dialect, was presented in this paper. Compared with the Gaussian mixture model trained solely using mandarin/Sichuan dialect, the combined Gaussian mixture model described the characteristic of speaker from both mandarin and Sichuan dialect. Experiments on a self-built mandarin-Sichuan dialect speech database demonstrate that the introduced combined Gaussian mixture model is more robust for speech mismatching between mandarin and Sichuan dialect. A proper proportion between pooling mandarin and Sichuan dialect speech was also provided.

Key words: speaker verification, Gaussian Mixture Models （GMM）, text-independent, bilingual speaker verification

赵靖龚卫国杨利平. 基于GMM的普通话和四川方言独立文本的说话人确认[J]. 计算机应用.

Jing Zhao . Mandarin-Sichuan dialect bilingual text-independent speaker verification using GMM[J]. Journal of Computer Applications.

[1]	王星, 刘贵娟, 陈志豪. 高斯混合模型与文本图卷积网络结合的虚假评论识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 360-368.
[2]	王超, 姚姗姗. 基于语音质量自适应和类三元组思想的说话人确认方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3899-3906.
[3]	张玉莲, 姚姗姗, 王超, 畅江. 基于不确定性学习的文本无关的说话人确认方法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3727-3732.
[4]	陈聿, 田博今, 彭云竹, 廖勇. 联合手肘法和期望最大化的高斯混合聚类电力系统客户分群算法[J]. 计算机应用, 2020, 40(11): 3217-3223.
[5]	彭磊, 杨秀云, 张裕飞, 李光耀. 基于全局与局部相似性测度的非刚性点集配准[J]. 计算机应用, 2019, 39(10): 3028-3033.
[6]	林朗, 王让定, 严迪群, 李璨. 基于修正倒谱特征的回放语音检测算法[J]. 计算机应用, 2018, 38(6): 1648-1652.
[7]	喻新荣, 李志华, 闫成雨, 李双俐. 云数据中心高效的虚拟机整合方法[J]. 计算机应用, 2018, 38(2): 550-556.
[8]	陶志勇, 刘晓芳, 王和章. 融合密度峰值的高斯混合模型聚类算法[J]. 计算机应用, 2018, 38(12): 3433-3437.
[9]	陈文兵, 管正雄, 陈允杰. 基于条件生成式对抗网络的数据增强方法[J]. 计算机应用, 2018, 38(11): 3305-3311.
[10]	陈艳, 严腾, 宋俊芳, 宋焕生. 基于高斯混合模型和AdaBoost的夜间车辆检测[J]. 计算机应用, 2018, 38(1): 260-263.
[11]	黄亮, 潘平, 周超. 基于量子隧穿效应的说话人真伪鉴别方法[J]. 计算机应用, 2017, 37(9): 2617-2620.
[12]	李俊山, 杨亚威, 朱子江, 张姣. 基于自然图像块相似性和稀疏先验性的图像复原[J]. 计算机应用, 2017, 37(8): 2319-2323.
[13]	刘晙, 袁培燕, 李永锋. 基于完整可见性模型的改进鲁棒OctoMap[J]. 计算机应用, 2017, 37(5): 1445-1450.
[14]	张海艳, 高尚兵. 图像分割中改进空间约束贝叶斯网络模型的应用[J]. 计算机应用, 2017, 37(3): 823-826.
[15]	皮艾迪, 喻剑, 周笑波. 基于学习的容器环境Spark性能监控与分析[J]. 计算机应用, 2017, 37(12): 3586-3591.