聲紋識別

聲紋識別，生物識別技術(shù)的一種砌庄，也稱為說話人識別羹唠，有兩類，即說話人辨認(rèn)和說話人確認(rèn)娄昆。聲紋識別的理論基礎(chǔ)是每一個聲音都具有獨(dú)特的特征佩微，通過該特征能將不同人的聲音進(jìn)行有效的區(qū)分。

聲音特征

1萌焰、語音的特殊性哺眯。發(fā)音器官分為聲門上系統(tǒng)、喉系統(tǒng)扒俯、聲門下系統(tǒng)族购，每個人都有自己的一套發(fā)音器官，它們的形態(tài)陵珍、構(gòu)造各有差別，每次發(fā)音需要眾多發(fā)音器官相互配合违施、共同運(yùn)動互纯。這決定了語音的物理屬性（也稱語音四要素）：音質(zhì)、音長磕蒲、音強(qiáng)留潦、音高只盹。這些物理量人各不同兔院，因而語音在聲紋圖譜上呈現(xiàn)不同的聲紋特征殖卑，根據(jù)這些聲紋特征參數(shù)，我們不但可以區(qū)分語聲坊萝，而且可以認(rèn)定同一人的語聲孵稽。

2、語音的穩(wěn)定性十偶。一個人的發(fā)音器官發(fā)育成熟后菩鲜，其解剖結(jié)構(gòu)和生理狀態(tài)是穩(wěn)定不變的，加之發(fā)音人的言語習(xí)慣等語音的社會心理屬性惦积，使得每個人在不同時段所說的相同文本內(nèi)容的話接校，基本語音特征是穩(wěn)定不變的。因此狮崩，你可以把人的聲道看做管樂中的號蛛勉，長號、短號雖然都是號睦柴，但由于聲道的形狀诽凌、長短不同，吹出來的音質(zhì)也不同爱只。

在聲紋識別皿淋，包括語音識別領(lǐng)域，傳統(tǒng)的聲學(xué)特征包括梅爾倒譜系數(shù)MFCC恬试、感知線性預(yù)測系數(shù)PLP窝趣、近幾年的逐漸受到關(guān)注的深度特征Deep Feature、以及15年公開發(fā)表的能量規(guī)整譜系數(shù)PNCC等训柴，都能作為聲紋識別在特征提取層面可選且表現(xiàn)良好的聲學(xué)特征哑舒。

原理特征

典型的聲紋識別模型可以分為兩種：template model和 stochastic?model，即模板模型和隨機(jī)模型幻馁。也稱作非參數(shù)模型和參數(shù)模型洗鸵。

模板模型（非參數(shù)模型）將訓(xùn)練特征參數(shù)和測試的特征參數(shù)進(jìn)行比較，兩者之間的失真（distortion）作為相似度仗嗦。

模板模型的典型例子有VQ（Vector quantization矢量量化）模型和動態(tài)時間規(guī)整法DTW（dynamic time warping）模型膘滨。VQ 方法則是通過聚類、量化的方法生成碼本稀拐，識別時對測試數(shù)據(jù)進(jìn)行量化編碼火邓，以失真度的大小作為判決的標(biāo)準(zhǔn)。DTW 通過將輸入待識別的特征矢量序列與訓(xùn)練時提取的特征矢量進(jìn)行比較，通過最優(yōu)路徑匹配的方法來進(jìn)行識別铲咨。

隨機(jī)模型（參數(shù)模型）用一個概率密度函數(shù)來模擬說話人躲胳，訓(xùn)練過程用于預(yù)測概率密度函數(shù)的參數(shù)，匹配過程通過計(jì)算相應(yīng)模型的測試語句的相似度來完成纤勒。（參數(shù)模型采用某種概率密度函數(shù)來描述說話人的語音特征空間的分布情況坯苹，并以該概率密度函數(shù)的一組參數(shù)作為說話人的模型。）例如（GMM和HMM）高斯混合模型和隱馬爾科夫模型摇天。

流程

聲紋識別流程圖

一般的聲紋識別過程是：首先提取語音特征粹湃，在把特征投入模型中訓(xùn)練，最后尋找分?jǐn)?shù)最高或者最接近的結(jié)果闸翅。

模式匹配方法

目前針對各種特征而提出的模式匹配方法的研究越來越深入再芋。這些方法大體可歸為下述幾類：

1、概率統(tǒng)計(jì)

語音中說話人信息在短時內(nèi)較為平穩(wěn)坚冀，通過對穩(wěn)態(tài)特征如基音济赎、聲門增益、低階反射系數(shù)的統(tǒng)計(jì)分析记某，可以利用均值司训、方差等統(tǒng)計(jì)量和概率密度函數(shù)進(jìn)行分類判決。其優(yōu)點(diǎn)是不用對特征參量在時域上進(jìn)行規(guī)整液南，比較適合文本無關(guān)的說話人識別壳猜。

2、動態(tài)時間規(guī)整

說話人信息不僅有穩(wěn)定因素滑凉，而且有時變因素（語速统扳、語調(diào)、重音和韻律）畅姊。將識別模板與參考模板進(jìn)行時間對比咒钟，按照某種距離測定得出兩模板間的相似程度。常用的方法是基于最近鄰原則的動態(tài)時間規(guī)整DTW若未。

3朱嘴、最近鄰方法

訓(xùn)練時保留所有特征矢量，識別時對每個矢量都找到訓(xùn)練矢量中最近的K個粗合，據(jù)此進(jìn)行識別萍嬉，通常模型存儲和相似計(jì)算的量都很大；

4隙疚、矢量量化

矢量量化最早是基于聚類分析的數(shù)據(jù)壓縮編碼技術(shù)壤追。矢量量化就是將若干個標(biāo)量數(shù)據(jù)組構(gòu)成一個矢量，然后在矢量空間給以整體量化供屉，從而壓縮了數(shù)據(jù)而不損失多少信息行冰。Helms首次將其用于聲紋識別捅厂，把每個人的特定文本編成碼本，識別時將測試文本按此碼本進(jìn)行編碼资柔，以量化產(chǎn)生的失真度作為判決標(biāo)準(zhǔn)。這種方法的識別精度較高撵割，且判斷速度快贿堰。

5、VQ聚類方法

VQ聚類方法(如LBG啡彬，K-均值)：效果比較好羹与，算法復(fù)雜度也不高，和HMM方法配合起來更可以收到更好的效果庶灿；

6纵搁、隱馬爾可夫模型

隱馬爾可夫模型是一種基于轉(zhuǎn)移概率和傳輸概率的隨機(jī)模型，它把語音看成由可觀察到的符號序列組成的隨機(jī)過程往踢，符號序列則是發(fā)聲系統(tǒng)狀態(tài)序列的輸出腾誉。在使用HMM識別時，為每個說話人建立發(fā)聲模型峻呕，通過訓(xùn)練得到狀態(tài)轉(zhuǎn)移概率矩陣和符號輸出概率矩陣利职。

HMM不需要時間規(guī)整，可節(jié)約判決時的計(jì)算時間和存儲量瘦癌，目前被廣泛應(yīng)用在工業(yè)領(lǐng)域猪贪，缺點(diǎn)是訓(xùn)練時計(jì)算量較大。

關(guān)于隱馬爾科夫模型可以參考： 如何用簡單易懂的例子解釋隱馬爾可夫模型讯私？ - 知乎

7热押、人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)在某種程度上模擬生物的感知特性，它是一種分布式并行處理結(jié)構(gòu)的網(wǎng)絡(luò)模型斤寇，具有自組織和自學(xué)習(xí)能力桶癣、很強(qiáng)的復(fù)雜分類邊界區(qū)分能力以及對不完全信息的魯棒性，其性能近似理想的分類器抡驼。缺點(diǎn)是訓(xùn)練時間長鬼廓，動態(tài)時間規(guī)整能力弱，網(wǎng)絡(luò)規(guī)模隨說話人數(shù)目增加時可能大到難以訓(xùn)練的程度致盟。

總的說來碎税，一個成功的聲紋識別系統(tǒng)應(yīng)該做到：首先能夠有效地區(qū)分不同的說話人，又能在同一說話人語音發(fā)生變化時保持相對的穩(wěn)定馏锡，如感冒等情況雷蹂。其次，不易被他人模仿或能夠較好地解決被他人模仿問題杯道。最后匪煌，在聲學(xué)環(huán)境變化時能夠保持一定的穩(wěn)定性，即抗噪聲性能要好。

模型基礎(chǔ)

1萎庭、GMM-UBM（混合高斯-通用背景模型）

混合高斯-通用背景模型（Gaussian Mixture Model-Universal Background Model霜医，GMM-UBM）將聲學(xué)特征投影到高維空間上，得到高維的均值超矢量驳规。UBM采用大規(guī)模的說話人語料訓(xùn)練完成肴敛，并因此可以被采進(jìn)行說話人的共性特征的描述。然后吗购，以UBM為初始模型医男，采用目標(biāo)說話人數(shù)據(jù)進(jìn)行基于最大后驗(yàn)概率（Maximum A Posterior, MAP）的自適應(yīng)訓(xùn)練，得到目標(biāo)說話人的混合高斯模型（GMM）捻勉。通過計(jì)算似然值的方法進(jìn)行說話人打分镀梭，進(jìn)而進(jìn)行識別判決。

高斯混合模型（GMM）是聲紋識別中最常用的模型之一踱启，因?yàn)樵诼暭y識別中报账，如何將語音特征很好地進(jìn)行總結(jié)及測試語音如何與訓(xùn)練語音進(jìn)行匹配都是非常復(fù)雜難解決的問題，而GMM將這些問題轉(zhuǎn)為對于模型的操作及概率計(jì)算等問題禽捆，并進(jìn)行解決笙什。高斯混合模型可以逼近任何一個連續(xù)的概率分布，因此它可以看做是連續(xù)型概率分布的萬能逼近器胚想。GMM模型是一個有監(jiān)督的訓(xùn)練過程琐凭。它的基本思想就是利用已知的樣本結(jié)果來反推最有可能（也就是最大概率）導(dǎo)致該個結(jié)果的參數(shù)值，在這個原則之下浊服，GMM通常采用最大期望算法（EM）模型進(jìn)行迭代直到收斂來確定參數(shù)统屈。

雖然GMM模型座位一種通用的概率模型，對說話人識別的效果很好牙躺，但是實(shí)際上愁憔，我們經(jīng)常會遇到訓(xùn)練語音比較短、或者預(yù)料比較少的情況孽拷，這樣就不能訓(xùn)練處好的GMM模型吨掌，從而使識別率遍地。所以在GMM模型的基礎(chǔ)上脓恕，有些專家就提出了高斯混合模型-全局背景模型（GMM-UBM）

而GMM-UBM系統(tǒng)利用大量的說話人語音訓(xùn)練出一個全局背景模型（UBM）膜宋，因此在較小的訓(xùn)練集情況下仍然可以獲得較為準(zhǔn)確的模型，識別性能及魯棒性都很好炼幔。

基于GMM-UBM的聲紋識別系統(tǒng)流程圖

2秋茫、聯(lián)合因子分析

聯(lián)合因子分析認(rèn)為，在GMM-UBM系統(tǒng)中的高斯模型均值超矢量乃秀，大體上可以分為跟說話人本身有關(guān)的矢量特征和跟信道以及其他變化有關(guān)的矢量特征的線性疊加肛著。也就是圆兵，將說話人GMM均值超矢量所在的空間劃分為本征空間，信道空間枢贿，最后還有一個殘差空間殉农。這樣，如果我們能抽取出跟說話人本身相關(guān)的特征而去掉和信道相關(guān)的特征局荚，就能很好地克服信道影響進(jìn)行識別了统抬。

3、說話人矢量因子（Identity-Vector危队，I-Vector）

傳統(tǒng)的聯(lián)合因子分析建模過程主要是基于兩個不同的空間：由本征音空間矩陣定義的說話人空間，由本征信道空間矩陣定義的信道空間钙畔。受聯(lián)合因子分析理論的啟發(fā),Dehak提出了從GMM均值超矢量中提取一個更緊湊的矢量,稱為I-Vector茫陆。這里的I是身份(Identity)的意思,出于自然的理解,I-Vector相當(dāng)于說話人的身份標(biāo)識。

I-vector方法采用一個空間來代替這兩個空間擎析，這個新的空間可以成為全局差異空間簿盅，它即包含了說話者之間的差異又包含了信道間的差異。所以I-Vector的建模過程在GMM均值超矢量中不嚴(yán)格區(qū)分話者的影響和信道的影響揍魂。這一建模方法的動機(jī)來源于Dehak的又一研究: JFA建模后的信道因子不僅包含了信道效應(yīng)也夾雜著說話人的信息桨醋。

所以到現(xiàn)在，我們主要用的特征是i-vector现斋。這是通過高斯超向量基于因子分析而得到的喜最。這玩意是基于單一空間的跨信道算法，該空間既包含了說話人空間的信息也包含了信道空間信息庄蹋。相當(dāng)于用因子分析方法將語音從高位空間投影到低維瞬内。

你可以把I-vector看做是一種特征，也可以看做是簡單的模型限书。最后虫蝶，在測試階段，我們只要計(jì)算測試語音I-vector和模型的I-vector之間的consine距離倦西，就可以作為最后的得分能真。這種方法也通常被作為基于I-vector說話人識別系統(tǒng)的基線系統(tǒng)。

4扰柠、TVM-I-Vector

說話人識別中的經(jīng)典方法是I-Vector粉铐，I-Vector建模方式稱為全局差異空間建模（Total Variability Modeling, TVM），采用該方法提取的I-Vector記為TVM-I-Vector耻矮。

在基于TVM-I-Vector的聲紋識別系統(tǒng)中秦躯，我們一般可以分為三個步驟。第一步是統(tǒng)計(jì)量的提取裆装，第二步是提取I-Vector踱承，第三步是進(jìn)行信道補(bǔ)償技術(shù)倡缠。統(tǒng)計(jì)量的提取是指將語音數(shù)據(jù)的特征序列，比如MFCC特征序列茎活，用統(tǒng)計(jì)量來進(jìn)行描述昙沦，提取的統(tǒng)計(jì)量屬于高維特征，然后經(jīng)過TVM建模载荔，投影至低維空間中得到I-Vector盾饮。

在TVM-I-Vector建模中，統(tǒng)計(jì)量的提取是以UBM為基礎(chǔ)的懒熙，根據(jù)UBM的均值及方差進(jìn)行相應(yīng)統(tǒng)計(jì)量的計(jì)算丘损。

基于DNN（深度學(xué)習(xí)網(wǎng)絡(luò)）的聲紋識別的基本思想是取代TVM中的UBM產(chǎn)生幀級后驗(yàn)概率。即采用DNN進(jìn)行幀級對齊的工作工扎，繼而計(jì)算訓(xùn)練數(shù)據(jù)的統(tǒng)計(jì)量徘钥，進(jìn)行全局差異空間的訓(xùn)練以及I-Vector的提取。

最近使用神經(jīng)網(wǎng)絡(luò)來進(jìn)行聲紋識別的論文已經(jīng)改進(jìn)了傳統(tǒng)的i-vector方法（參考Interspeech教程的原始論文或者幻燈片）肢娘。i-vector方法認(rèn)為說話內(nèi)容可以被分為兩個部分呈础，一個部分依賴于說話者和信道可變性，另一個部分依賴于其它的相關(guān)因素橱健。i-vector聲紋識別是一個多步過程而钞，其涉及到使用不同說話者的數(shù)據(jù)來估計(jì)一個通用的背景模型（通常是高斯混合模型），收集充分的統(tǒng)計(jì)數(shù)據(jù)拘荡，提取i-vector臼节，最后使用一個分類器來進(jìn)行識別任務(wù)。

目前沒有詳細(xì)證據(jù)證明深度神經(jīng)網(wǎng)絡(luò)或組合i-vector的深度神經(jīng)網(wǎng)絡(luò)性能一定優(yōu)于i-vector方法珊皿，可能原因是說話人識別中信道干擾較多官疲，難以搜集足夠數(shù)據(jù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。

5亮隙、信道補(bǔ)償算法

其實(shí)途凫，信道補(bǔ)償相關(guān)的工作從有聲紋識別領(lǐng)域以來就一直有研究，包括上面的GMM-UBM系統(tǒng)和聯(lián)合因子分析系統(tǒng)溢吻。信道補(bǔ)償主要分三個層次：基于特征的補(bǔ)償维费，基于模型的補(bǔ)償和基于得分的補(bǔ)償。由于我所研究的方面都是在I-vector特征的基礎(chǔ)上的促王，所以這里重點(diǎn)說一下基于I-vector特征的信道補(bǔ)償算法犀盟。

什么叫信道補(bǔ)償呢？為什么要信道補(bǔ)償呢蝇狼？

前面說I-vector的時候說了阅畴，I-vector特征中既包含說話者信息又包含信道信息，而我們只關(guān)心說話者信息迅耘。也就是說贱枣，由于信道信息的存在监署，對我們做說話人識別產(chǎn)生了干擾，甚至嚴(yán)重影響系統(tǒng)的識別準(zhǔn)確率纽哥。于是钠乏，我們就要想辦法盡量減小這種影響。這就是所謂的信道補(bǔ)償春塌。

6晓避、LDA線性鑒別分析

LDA至多可生成C-1維子空間（C為分類類別數(shù)），LDA降維后的度區(qū)間在 [1,C-1] 只壳，與原始特征數(shù)n無關(guān)俏拱，因此二分類問題至多可以降維到一維，導(dǎo)致有些線性不可分?jǐn)?shù)據(jù)分布情況無法分類吼句。在聲紋識別中彰触，大部分情況是二分類問題，所以這里L(fēng)DA的作用是將原始高維特征數(shù)據(jù)降維到一維命辖，這樣每一個樣本特征向量映射為一維上的一個點(diǎn)，這個點(diǎn)的數(shù)值表示該點(diǎn)到原點(diǎn)的距離分蓖。

當(dāng)一個說話人有很多語音時尔艇，表現(xiàn)為這些語音在說話人空間中聚集為一簇。如果這些語音收到信道的影響么鹤，那么就表現(xiàn)為這個說話人的語音的方差很大终娃。然后，LDA嘗試著找到一個新的方向蒸甜，將原來的所有數(shù)據(jù)投影到這個方向棠耕，使得在這個方向中同一說話人的數(shù)據(jù)具有最小的類內(nèi)方差，同時不同說話人之間的距離盡量大柠新。這樣窍荧，就達(dá)到減小信道差異的影響了。

LDA其實(shí)也是一種降維方法恨憎。它盡量去移除不需要的方向蕊退，最小化類內(nèi)的方差信息量。也就是憔恳，LDA尋找一個新的方向去更好地對不同的類做出分類瓤荔。可見钥组，LDA非常適合作為說話人識別系統(tǒng)的信道補(bǔ)償算法输硝。

當(dāng)使用LDA對測試數(shù)據(jù)和模型的I-vector進(jìn)行重新投影后，然后計(jì)算它們之間的cosine距離程梦，就可以作為最后的得分点把。

LDA如何找到這個映射方向橘荠。前面不是說LDA的目的是最大化類間距離，最小化類內(nèi)距離么愉粤。LDA是可以直接求取解析解的砾医。具體方法就是對目標(biāo)函數(shù)求導(dǎo)并且令導(dǎo)數(shù)為零。但是在求導(dǎo)之前衣厘，記得對分母進(jìn)行歸一化如蚜，因?yàn)槿绻粴w一化的話，映射方向擴(kuò)大任意倍等成立影暴，所以不好確定映射方向的具體值错邦。在求解析解的過程中，經(jīng)過一系列變化型宙，我們最終只要求出原始樣本的均值和方差就可以最佳映射方向 w撬呢，這就是Fisher 于 1936年提出的線性判別分析。

可參考模型

基于一篇論文：《An overview of text-independent speaker recognition: From features to supervectors》

MFCC+GMM

github地址：https://github.com/dake/openVP

1妆兑、對輸入的語音數(shù)據(jù)序列（PCM 碼流）進(jìn)行預(yù)處理魂拦。

? ? ? a) 去除非語音信號 和 靜默語音信號；

? ? ? b) 對語音信號分幀搁嗓，以供后續(xù)處理芯勘。

2、提取每一幀語音信號的MFCC 參數(shù) 并保存腺逛。

? ? ? 1)預(yù)增強(qiáng)（Pre-Emphasis） ：差分語音信號荷愕。

? ? ? 2)音框化（Framing） ：對語音數(shù)據(jù)分幀。

? ? ? 3)漢明窗（Hamming Windowing） ：對每幀信號加窗棍矛，以減小吉布斯效應(yīng)的影響安疗。

? ? ? 4)快速傅立葉變換（FFT） ：將時域信號變換成為信號的功率譜。

? ? ? 5)三角帶通濾波器（Triangle Filters） ：三角濾波器覆蓋的范圍都近似于人耳的一個臨? ? ? ? ? ? ? 界帶寬够委，以此來 模擬人耳的掩蔽效應(yīng)荐类。

? ? ? 6)離散余弦轉(zhuǎn)換（DCT） ：去除各維信號之間的相關(guān)性，將信號映射到低維空間茁帽。

用第2 步提取的 MFCC 參數(shù)訓(xùn)練話者的 GMM （高斯混合模型）掉冶，得到專屬某話者的 GMM 聲紋模型。

聲紋識別脐雪。提供輸入話音與GMM 聲紋模型的匹配運(yùn)算函數(shù)厌小，以判斷輸入話音是否與聲紋匹配

基于TVM-I-Vector的聲紋識別系統(tǒng)。

說話人矢量因子（Identity-Vector战秋，I-Vector）模型以GMM-UBM為基礎(chǔ)璧亚，基于的假設(shè)是所有的說話人信息隱含在高維的均值超矢量中。它的基本思想是將高維的均值超矢量投影至低維空間中進(jìn)行建模，即將長短不一的語音文件通過全局差異空間建模（Total Variable space Model, TVM）的方式癣蟋，得到長度一致的低維向量作為說話人模型透硝。這個低維矢量即為I-Vector。由于I-Vector建模中沒有區(qū)分語音中說話人信息以及信道信息疯搅，為了降低信道對識別的影響濒生，分別采用了線性判別分析（Linear Discriminant Analysis，LDA）以及概率線性判別分析（Probability Linear Discriminant Analysis幔欧，PLDA）對I-Vector進(jìn)行信道補(bǔ)償罪治，提高識別效果。

基于DNN統(tǒng)計(jì)量提取的I-Vector聲紋識別系統(tǒng)礁蔗。

在基于TVM-I-Vector的聲紋識別系統(tǒng)中觉义，采用UBM計(jì)算后驗(yàn)概率，提取相關(guān)統(tǒng)計(jì)量浴井，從而進(jìn)行全局差異空間的估計(jì)晒骇。考慮到UBM數(shù)據(jù)驅(qū)動的建模方式可能會導(dǎo)致后驗(yàn)概率計(jì)算的誤差較大磺浙，從而影響識別性能洪囤，本文采用自動語音識別（Automatic Speech Recognition, ASR）任務(wù)中訓(xùn)練得到的深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network, DNN）模型作為計(jì)算后驗(yàn)概率的模型替代UBM，以得到更準(zhǔn)確的統(tǒng)計(jì)量進(jìn)行模型估計(jì)撕氧，從而提高識別效果瘤缩。

基于深度瓶頸特征（Deep Bottleneck Feature, DBF）的I-Vector聲紋識別系統(tǒng)。

深度瓶頸層（Deep Bottleneck Layer）在語音識別中的成功應(yīng)用證明了DBF在特征表示上的優(yōu)勢呵曹。低維的DBF在網(wǎng)絡(luò)結(jié)構(gòu)中能夠?qū)崿F(xiàn)高維輸入至輸出的重現(xiàn)，說明它是一種抽象何暮、凝練且更具區(qū)分性的特征奄喂。相比于聲紋識別中的Mel頻率倒譜系數(shù) (Mel Frequency Cepstral Coefficients, MFCC)特征，DBF在聲紋識別上也表現(xiàn)出了一定的優(yōu)勢海洼。在本文中跨新，實(shí)現(xiàn)了基于DBF的I-Vector模型的估計(jì)。此外坏逢，考慮到MFCC以及DBF的互補(bǔ)作用域帐，進(jìn)行了基于DBF以及MFCC特征融合的I-Vector建模，進(jìn)一步提高聲紋識別系統(tǒng)的性能是整。

聲紋識別應(yīng)用前景

與其他生物識別技術(shù)肖揣，諸如指紋識別、掌形識別浮入、虹膜識別等相比較龙优，聲紋識別除具有不會遺失和忘記、不需記憶事秀、使用方便等優(yōu)點(diǎn)外彤断，還具有以下特性：

1野舶、用戶接受程度高，由于不涉及隱私問題宰衙，用戶無任何心理障礙平道。

2、利用語音進(jìn)行身份識別可能是最自然和最經(jīng)濟(jì)的方法之一供炼。聲音輸入設(shè)備造價低廉一屋，甚至無費(fèi)用，而其他生物識別技術(shù)的輸入設(shè)備往往造價昂貴劲蜻。

3陆淀、在基于電信網(wǎng)絡(luò)的身份識別應(yīng)用中，如電話銀行先嬉、電話炒股轧苫、電子購物等，與其他生物識別技術(shù)相比疫蔓，聲紋識別更為擅長含懊，得天獨(dú)厚。

4衅胀、由于與其他生物識別技術(shù)相比岔乔，聲紋識別具有更為簡便、準(zhǔn)確滚躯、經(jīng)濟(jì)及可擴(kuò)展性良好等眾多優(yōu)勢雏门，可廣泛應(yīng)用于安全驗(yàn)證、控制等各方面掸掏，特別是基于電信網(wǎng)絡(luò)的身份識別茁影。

已有的成功案例

TensorFlow-based Deep Speaker

實(shí)現(xiàn)ResNet網(wǎng)絡(luò)上的TE2E（Tuple-base end-to-end）Loss function訓(xùn)練方式。安裝TensorFlow丧凤、Python3和FFMPEG（文件格式轉(zhuǎn)換工具）后募闲，準(zhǔn)備好數(shù)據(jù)，即可一鍵訓(xùn)練愿待。只可惜驗(yàn)證部分還沒做浩螺，而且GRU沒實(shí)現(xiàn)、tensor實(shí)現(xiàn)部分也不嚴(yán)謹(jǐn)仍侥，可詳細(xì)閱讀代碼和論文

源碼地址：https://github.com/philipperemy/deep-speaker

論文地址：Deep Speaker: an End-to-End Neural Speaker Embedding System

數(shù)據(jù)集合：http://www.robots.ox.ac.uk/~vgg/data/voxceleb/

TristouNet from pyannote-audio

一個音頻處理工具箱要出，包括Speech change detection, feature extraction, speaker embeddings extraction以及speech activity detection。其中speaker embeddings extraction部分农渊，包括TristouNet的實(shí)現(xiàn)厨幻。

源碼地址：https://github.com/pyannote/pyannote-audio

論文地址：TristouNet: Triplet Loss for Speaker Turn Embedding

CNN-based Speaker verification

Convolutional Neural Networks（卷積神經(jīng)網(wǎng)絡(luò)）在聲紋識別上的試驗(yàn)，一個不錯的嘗試，可以與TDNN/x-vector做下對比况脆。

源碼地址：https://github.com/astorfi/3D-convolutional-speaker-recognition

論文地址：Text-Independent Speaker Verification Using 3D Convolutional Neural Networks

數(shù)據(jù)集合：https://biic.wvu.edu/data-sets/multimodal-dataset

推薦論文

?GMM-UBM： Speaker Verification Using Adapted Gaussian Mixture Models

MAP:?Eigenvoice Modeling With Sparse Training Data

I-vector:?Front-End Factor Analysis for Speaker Verification

參考：

https://cloud.tencent.com/developer/news/268352

https://www.cnblogs.com/Vanessa-Feng/p/7465352.html

https://www.cnblogs.com/ytxwzqin/p/9369105.html

https://blog.csdn.net/xmu_jupiter/article/details/47209961

https://blog.csdn.net/twinkle_star1314/article/details/55050138

https://blog.csdn.net/weixin_38858860/article/details/83961860