说话人分类——概念简记

引言 部分：

随着音频处理技术的不断提高，从海量的数据 中（如电话录音、新闻广播、会议录音等）获取感兴趣 的特定人声已成为研究热点［ １］．另外，如何对这类音 频文档进行合理有效的管理，也是目前存在的一个 挑战．美国国家标准局（ＮＩＳＴ）从２００２的丰富转写评测（richtranscription，RT）中正式加入了说话人 分离任务［ ２］（ Speaker diarization，ＳＤ），该任务是指 从多人对话中自动地将语音依据说话人进行划分， 并加以标记的过程．

与传统“鸡尾酒会”形式的复杂背景下混合语音 分离不同，说话人分离主要面向的是多个话者不同 时发声的场景，它解决的是“什么时候由谁说”这样 一个问题，而前者大多是通过盲源分离（BSS） ［ ３］和 计算听觉场景分析（CASA）

［ ４］等方式处理．目前的说话人分离技术主要包含两个过程：说话人分割 （speaker segmentation ）和 说话人 聚 类 （Speaker clustering）．

分割的过程是指从多人对话的音频中 找寻不同说话人身份转变的时间点，然后根据这些 变化点可以将语音分割成若干短语音段，理想情况 下，经分割后的每个短语音段只会包含一个说话人 的信息．聚类的过程则是将分割后的所有属于同一 个说话人的小片段通过一些聚类的方法，再重新组 合在一起． 说话人分离技术有着广泛的实际应用意义，如 可以利用该技术实现电话和会议数据的自动分离及 转写，将分离后的不同说话人声解码后，按敏感词检 测和目标人进行抽取；为构建和检索说话人音频档 案提供有效的信息．获得的信息既可以用于音频检 索；也可以用来对语音库进行自动标注和自动跟踪 等；同时它也是语音识别的基础，直接影响到语音识 别的精度．

可能存在的错误分析如下：

说话人分类系统需要选出不同说话人的语音片段，因此说话人聚类的纯度和覆盖区域是当前的主要目标。可能存在的错误如下：

两个不同的聚类对应于同一个说话人

把两个不同说话人的片段合并到一个聚类中

这两种错误在NIST基于时间的二分化度量中，比边界划分错误更为严重

该系统由声学BIC分段和BIC分层聚类组成，使用维特比解码以调整分段边界。

语音通话

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。