基于DTW的编码域说话人识别研究

3 实验结果与性能分析及结论

为测试上述识别性能，对其进行了固定文本的说话人识别试验。试验中，采用电话信道863语料库30个说话人共300个录音文件,文件格式为16 bit线性PCM。为了模拟VoIP中语音压缩帧，使用G.729声码器对原始语音文件进行压缩。使用每个说话人的一个文件训练成为模板。测试语音长度为10 s～60 s以5 s为间隔的共11个测试时间标准。这样，模板库中有30个模板，测试语音有270个，使用微机配置是：CPU Pentium 2.0 GHz，内存512 MB。

在实验中，M和N取64，通过各模版间的匹配，确定了判决门限为0.3时，识别效果最佳。

为了对比DTW算法的识别性能，采用在传统说话人识别中广泛使用的GMM模型作为对比实验，其中GMM模型使用与DTW算法相同的编码流特征。

图4给出基于DTW识别方法与GMM模型(混元数64)识别G.729编码方案863语料库的文本相关说话人的误识率对比图。横坐标代表的测试语音的时长，纵坐标代表识别误识率。由实验结果可知在文本相关的说话人识别中，基于DTW算法的识别率在绝大多数情况下高于GMM模型，且随着测试语音的增长，优势更明显。



为比较特征提取的时间性能和总的时间性能，实验条件如下：

(1)选择的50个说话人的语音只进行特征提取，测试语音长度总和在25 min左右；

(2)对测试语音分别进行解码识别和编码流的识别，模板数为10个；

(3)微机配置为：CPU Pentium 2.0 GHz,内存512 MB。

表1为特征提取时间比较结果，表2为说话人识别时间比较结果。



由实验结果可以看出，在编码比特流中进行特征提取时间和识别的(上接第121页)
时间都远小于解码重建后的语音特征提取时间和识别时间，满足实时说话人识别的需要。

在文本相关的说话人识别中，对比使用同样G.729压缩码流特征的GMM模型， DTW方法的识别率和处理效率均高于GMM模型，能够实时应用于VoIP网络监管中。