基于深度神经网络和Bottleneck特征的说话人识别系统  

Speaker recognition system based on deep neural networks and bottleneck features

作　　者：田垚[1] 蔡猛[1] 何亮[1] 刘加[1] 

机构地区：[1]清华大学电子工程系清华信息科学与技术国家实验室(筹)

出　　处：《清华大学学报（自然科学版）》2016年第11期1143-1148,共6页Journal of Tsinghua University(Science and Technology)

基　　金：国家自然科学基金资助项目(61273268,61370034,61403224)

摘　　要：近来,一种结合语音识别中深度神经网络（deep neural network,DNN）模型和说话人识别中身份认证矢量（identity vector,i-vector）模型的方法被证明对说话人识别十分有效。为了进一步提升系统性能,该文提出使用基于说话人标签的DNN模型提取Bottleneck特征代替该模型中的短时频谱特征来计算充分统计量,从而使统计量中包含更多有利于说话人识别的信息。在美国国家标准与技术研究院说话人识别库2008年度女性电话对电话英语测试任务上进行的实验证明了该方法的有效性。相比原来的短时频谱特征,基于Bottleneck特征的说话人识别系统在等错误率和最小检测代价上相对减小了7.65%和5.71%。A hybrid model combining the deep neural network （DNN） for speech recognition and the i-vector model for speaker recognition has been shown effective for speaker recognition. The system performance is further improved by using the DNN with speaker labels to extract bottleneck features to replace the original short-term spectral features for statistics extractions to make the statistics contain more speaker-specific information to improve the speaker recognition. Tests on the NIST SRE 2008 female telephone-telephone-English task demonstrate the effectiveness of this method. The relative improvements of the bottleneck features are 7.65% for the equal error rate（EER） and 5.71% for the minium detection function（minDCF） compared with the short-term spectral features.

关 键 词：说话人识别 深度神经网络 Bottleneck特征 

分 类 号：TP391.4[自动化与计算机技术—计算机应用技术]