本發(fā)明屬于語音信號處理領(lǐng)域和深度學(xué)習(xí)領(lǐng)域，具體涉及一種基于DNN模型和支持向量機(jī)模型的說話人個數(shù)估計方法。

背景技術(shù)：

隨著語音信號處理技術(shù)和語音識別技術(shù)的快速發(fā)展，說話人標(biāo)記的應(yīng)用場景越來越復(fù)雜，從簡單的如電話記錄的兩個說話人場景，到今天廣泛應(yīng)用的如會議記錄的多個說話人場景。由于說話人標(biāo)記的效果和說話人個數(shù)估計密切相關(guān)，提高說話人個數(shù)估計的準(zhǔn)確率能夠改進(jìn)說話人標(biāo)記系統(tǒng)，提升標(biāo)記的準(zhǔn)確率。

說話人個數(shù)估計首先要對語音數(shù)據(jù)進(jìn)行預(yù)處理，提取特征。最常用的特征是一種基于人耳聽感知理論的梅爾倒譜特征，目前廣泛應(yīng)用于說話人識別、語種識別以及連續(xù)語音識別等。梅爾倒譜特征提取首先對語音數(shù)據(jù)進(jìn)行預(yù)加重和分幀加窗，然后對分幀加窗后的數(shù)據(jù)進(jìn)行快速傅里葉變換，得到對應(yīng)的頻譜，并通過梅爾頻標(biāo)三角窗濾波器進(jìn)行濾波，最后進(jìn)行離散余弦變換得到梅爾倒譜特征。

現(xiàn)有的說話人數(shù)個數(shù)估計方法大多采用凝聚層次聚類(Agglomerative Hierarchical Cluster，AHC)方法，該方法首先進(jìn)行說話人變化點檢測，對語音數(shù)據(jù)進(jìn)行分割，以達(dá)到對說話人進(jìn)行分割，再對分割后的各段語音數(shù)據(jù)基于貝葉斯信息準(zhǔn)則進(jìn)行聚類，最終確定說話人數(shù)目。現(xiàn)有技術(shù)中估計說話人個數(shù)的結(jié)果的準(zhǔn)確性完全依賴于說話人分割和聚類的準(zhǔn)確性，而說話人分割受到步長的影響，步長多是根據(jù)經(jīng)驗確定，所以難免出現(xiàn)設(shè)定的步長不合適的情況，從而影響說話人分割的準(zhǔn)確性及后續(xù)聚類的準(zhǔn)確性；此外，在聚類時貝葉斯距離受語音時長的影響，主要表現(xiàn)為一般情況下語音時長越長其貝葉斯距離越大，因而在對不同時長的語音進(jìn)行說話人聚類時，難以用統(tǒng)一的閾值進(jìn)行聚類停止條件的判斷，使得說話人數(shù)目判斷存在較大誤差，最終影響說話人標(biāo)記的效果。

支持向量機(jī)(Support Vector Machine，SVM)是一種二類分類模型，需要找到特征空間上的間隔最大的線性分類器，即支持向量機(jī)模型的學(xué)習(xí)策略便是間隔最大化。它的最終模型只由少數(shù)支持向量決定，計算復(fù)雜度取決于支持向量的個數(shù)，而不是所有的樣本，有助于抓住關(guān)鍵樣本、剔除大量冗余樣本，從而使算法更具穩(wěn)健性，增加或刪除一些訓(xùn)練樣本對最終模型的影響很小，并可以很好地避免維數(shù)災(zāi)難和局部極小值問題。由于這些優(yōu)點，SVM模型在說話人識別領(lǐng)域中廣泛應(yīng)用。

深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)是一種模擬人腦神經(jīng)網(wǎng)絡(luò)，以實現(xiàn)類人工智能的機(jī)器學(xué)習(xí)技術(shù)。近年來，基于深度神經(jīng)網(wǎng)絡(luò)DNN模型的說話人識別系統(tǒng)受到越來越多的關(guān)注，相比于傳統(tǒng)的高斯混合模型(Gaussian Mixture Model，GMM)，DNN模型的描述能力更強(qiáng)，能夠更好地模擬非常復(fù)雜的數(shù)據(jù)分布，充分逼近復(fù)雜的非線性關(guān)系，基于DNN模型的說話人識別系統(tǒng)取得顯著的性能提升。DNN模型包含輸入層、隱含層和輸出層。輸入層對應(yīng)語音數(shù)據(jù)的特征，輸入層節(jié)點數(shù)根據(jù)特征的維數(shù)而定。輸出層對應(yīng)各個說話人的概率，輸出層節(jié)點數(shù)根據(jù)總共需要識別的說話人的個數(shù)而定。隱含層層數(shù)和節(jié)點數(shù)根據(jù)應(yīng)用需要及工程經(jīng)驗定義。DNN模型訓(xùn)練時，先進(jìn)行非監(jiān)督訓(xùn)練再進(jìn)行監(jiān)督訓(xùn)練。非監(jiān)督訓(xùn)練時把每相鄰的兩層網(wǎng)絡(luò)當(dāng)成一個受限玻爾茲曼機(jī)，用CD‐k算法逐層進(jìn)行訓(xùn)練。進(jìn)行監(jiān)督訓(xùn)練時，使用非監(jiān)督訓(xùn)練得到的DNN模型參數(shù)作為初值，再用后向傳播算法對DNN模型參數(shù)進(jìn)行精確調(diào)整。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為克服已有技術(shù)的不足之處，提供一種基于DNN模型和支持向量機(jī)模型的說話人個數(shù)估計方法。該方法解決多說話人場景中說話人個數(shù)計算不準(zhǔn)確的問題，提高語音數(shù)據(jù)中說話人個數(shù)估計的準(zhǔn)確率。

本發(fā)明提出的一種基于DNN模型和支持向量機(jī)模型的說話人個數(shù)估計方法，分為模型訓(xùn)練階段和說話人個數(shù)估計階段兩個階段，包括以下步驟：

1)模型訓(xùn)練階段；模型訓(xùn)練階段分為DNN模型訓(xùn)練階段和支持向量機(jī)SVM模型訓(xùn)練階段兩個階段；具體包括以下步驟：

1‐1)DNN模型訓(xùn)練階段：獲取N個說話人的訓(xùn)練語音數(shù)據(jù)，提取每條訓(xùn)練語音數(shù)據(jù)的特征，設(shè)置DNN模型的層數(shù)和節(jié)點數(shù),對DNN模型進(jìn)行訓(xùn)練，得到DNN模型參數(shù)；

1‐2)支持向量機(jī)SVM模型訓(xùn)練階段：獲取M個說話人的訓(xùn)練語音數(shù)據(jù)，提取M個說話人的訓(xùn)練語音數(shù)據(jù)的特征,輸入到步驟1‐1)得到的DNN模型中，產(chǎn)生M組說話人各自對應(yīng)的N維特征，得到M個說話人的各自對應(yīng)的SVM模型；

2)說話人個數(shù)估計階段，具體包括以下步驟：

2‐1)獲取待測語音數(shù)據(jù)，對待測語音數(shù)據(jù)進(jìn)行預(yù)處理，得到待測語音數(shù)據(jù)對應(yīng)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維；

2‐2)將步驟2‐1)得到的每條待測語音數(shù)據(jù)的梅爾倒譜特征輸入到步驟1‐1)得到的DNN模型中，每條待測語音數(shù)據(jù)的60維梅爾倒譜特征對應(yīng)得到DNN模型的輸出層輸出的該條待測語音數(shù)據(jù)的N個輸出概率，將得到的每條待測語音數(shù)據(jù)的N個輸出概率組成該條待測語音數(shù)據(jù)的N維特征；

2‐3)將步驟2‐2)得到的任意一條待測語音數(shù)據(jù)的N維特征依次輸入到步驟1‐2)得到的M個說話人各自對應(yīng)的對應(yīng)的SVM模型中，每個SVM模型對該條待測語音數(shù)據(jù)進(jìn)行評分，根據(jù)每個SVM模型評分結(jié)果判斷該條待測語音數(shù)據(jù)對應(yīng)的說話人和SVM模型所對應(yīng)的M個說話人的相近程度，得分最高的SVM模型即為該條待測語音數(shù)據(jù)所對應(yīng)的類別，該SVM模型所對應(yīng)的說話人即為該條待測語音數(shù)據(jù)的近似說話人；

2‐4)重復(fù)步驟2‐3)，將所有待測語音數(shù)據(jù)的N維特征分別輸入M個SVM模型中，對所有待測語音數(shù)據(jù)進(jìn)行分類，得到的類別總個數(shù)Q即為估計得到的待測語音數(shù)據(jù)的說話人個數(shù)，Q≤M。

所述步驟1-2)DNN模型訓(xùn)練階段，具體包括以下步驟：

1‐1‐1)獲取N個說話人的訓(xùn)練語音數(shù)據(jù)；對訓(xùn)練語音數(shù)據(jù)進(jìn)行預(yù)處理，提取每條訓(xùn)練語音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，總共60維；

1‐1‐2)設(shè)置DNN模型的層數(shù)和節(jié)點數(shù)；

DNN模型分為輸入層、隱含層和輸出層三個層次；其中，輸入層對應(yīng)步驟1‐1‐1)得到的每條訓(xùn)練語音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維，則輸入層節(jié)點數(shù)設(shè)置為60個；輸出層的節(jié)點數(shù)等于所需識別的說話人個數(shù)N，每個節(jié)點的輸出分別對應(yīng)每個說話人的概率；隱含層用于自動提取不同層次的特征，每層隱含層的節(jié)點數(shù)代表該層隱含層所提取的特征的維度；

1‐1‐3)對DNN模型進(jìn)行訓(xùn)練，得到DNN模型參數(shù)；

根據(jù)步驟1‐1‐1)得到的N個說話人的訓(xùn)練語音數(shù)據(jù)的梅爾倒譜特征及一階、二階導(dǎo)數(shù)，對DNN模型進(jìn)行訓(xùn)練，得到DNN模型參數(shù)；DNN模型參數(shù)包括相鄰兩層的連接權(quán)重和每個節(jié)點的偏置；

相鄰兩層的連接權(quán)重，表達(dá)式如式(1)所示：

式中，W_i,i+1為有P_i行、P_i+1列的矩陣，其中表示DNN模型第i層的第m個節(jié)點和第i+1層的第n個節(jié)點的連接權(quán)重；

每個節(jié)點的偏置，表達(dá)式如式(2)所示：

式中，表示DNN模型第j層中第k個節(jié)點的偏置；

對DNN模型先進(jìn)行非監(jiān)督訓(xùn)練：把DNN模型中每相鄰的兩層組成一個受限玻爾茲曼機(jī)，利用對比散度CD算法對每個受限玻爾茲曼機(jī)分別進(jìn)行訓(xùn)練；依次訓(xùn)練所有的受限玻爾茲曼機(jī)，得到DNN模型參數(shù)的初始值；再進(jìn)行監(jiān)督訓(xùn)練：使用非監(jiān)督訓(xùn)練得到的DNN模型參數(shù)初始值，利用后向傳播算法對DNN模型參數(shù)進(jìn)行精確調(diào)整，得到DNN模型參數(shù)的最終值。

所述步驟1-3)支持向量機(jī)SVM模型訓(xùn)練階段，具體包括以下步驟：

1‐2‐1)獲取M個說話人的訓(xùn)練語音數(shù)據(jù)，對M個說話人的訓(xùn)練語音數(shù)據(jù)進(jìn)行預(yù)處理，得到M個說話人的訓(xùn)練語音數(shù)據(jù)對應(yīng)的梅爾倒譜特征及一階、二階導(dǎo)數(shù)，共60維；

1‐2‐2)將步驟1‐2‐1)得到的M個說話人的訓(xùn)練語音數(shù)據(jù)對應(yīng)的60維梅爾倒譜特征分別輸入到步驟1‐1)得到的DNN模型中，每個說話人的訓(xùn)練語音數(shù)據(jù)的60維梅爾倒譜特征對應(yīng)得到DNN模型的輸出層輸出的的該說話人的N個輸出概率，將得到的每個說話人的N個輸出概率組成該說話人的N維特征，共產(chǎn)生M組說話人各自對應(yīng)的N維特征；

1‐2‐3)將M個說話人中第i個說話人的訓(xùn)練語音數(shù)據(jù)作為一類，i∈1～M，類別標(biāo)簽定為1；其余M‐1個說話人作為另一類，類別標(biāo)簽定為‐1，得到二分類SVM模型；根據(jù)步驟1‐2‐2)得到的M組說話人各自對應(yīng)的N維特征及類別標(biāo)簽，對二分類SVM模型進(jìn)行訓(xùn)練，得到第i個說話人的SVM模型；

1‐2‐4)重復(fù)步驟1‐2‐3)，讓i的取值分別從1到M，最終得到M個說話人的各自對應(yīng)的SVM模型，共M個。

本發(fā)明的特點及有益效果在于：

本發(fā)明提出的一種基于DNN模型和支持向量機(jī)模型的說話人個數(shù)估計方法，與現(xiàn)有的凝聚層次聚類方法相比，該方法不需用到分割聚類算法，因而不用擔(dān)心語音分割步長對說話人個數(shù)估計的影響，也不會因為聚類語音時長的不同而難以選擇合適的閾值，更有穩(wěn)健型；該方法充分結(jié)合了深度神經(jīng)網(wǎng)絡(luò)DNN模型和支持向量機(jī)模型兩者的優(yōu)點，能夠計算出待測語音數(shù)據(jù)中總的說話人個數(shù)；該方法還可以對待測語音數(shù)據(jù)中的說話人個數(shù)進(jìn)行在線估計；可以完成待測語音數(shù)據(jù)的說話人變換點檢測。

附圖說明

圖1為本發(fā)明方法的流程框圖。

圖2為本發(fā)明實施列中DNN模型結(jié)構(gòu)示意圖。

具體實施方式

本發(fā)明提出的一種基于DNN模型和支持向量機(jī)模型的說話人個數(shù)估計方法，下面結(jié)合附圖及具體實施例對本發(fā)明進(jìn)一步詳細(xì)說明如下。以下實施例是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。

本發(fā)明提出的一種基于DNN模型和支持向量機(jī)模型的說話人個數(shù)估計方法，流程框圖如圖1所示，分為模型訓(xùn)練階段和說話人個數(shù)估計階段兩個階段，

包括以下步驟：

1)模型訓(xùn)練階段；模型訓(xùn)練階段分為DNN模型訓(xùn)練階段和支持向量機(jī)SVM模型訓(xùn)練階段兩個階段；具體包括以下步驟：

1‐1)DNN模型訓(xùn)練階段；獲取N個說話人的訓(xùn)練語音數(shù)據(jù)，提取每條訓(xùn)練語音數(shù)據(jù)的特征，設(shè)置DNN模型的層數(shù)和節(jié)點數(shù),對DNN模型進(jìn)行訓(xùn)練，得到DNN模型參數(shù)；具體包括以下步驟：

1‐1‐1)獲取N個說話人的的訓(xùn)練語音數(shù)據(jù)，N的取值范圍為為300至600；所述訓(xùn)練語音數(shù)據(jù)來源于NIST SRE 2012，可以通過網(wǎng)絡(luò)下載或購買得到；對訓(xùn)練語音數(shù)據(jù)進(jìn)行預(yù)處理，提取每條訓(xùn)練語音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，總共60維。

1‐1‐2)設(shè)置DNN模型的層數(shù)和節(jié)點數(shù)；

DNN模型分為輸入層、隱含層和輸出層三個層次；其中，輸入層對應(yīng)步驟1‐1‐1)得到的每條訓(xùn)練語音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維，則輸入層節(jié)點數(shù)設(shè)置為60個；輸出層的節(jié)點數(shù)等于所需識別的說話人個數(shù)N，每個節(jié)點的輸出分別對應(yīng)每個說話人的概率；隱含層用于自動提取不同層次的特征，每層隱含層的節(jié)點數(shù)代表該層隱含層所提取的特征的維度，中間位置的隱含層的節(jié)點數(shù)一般設(shè)置為100‐300個，其余隱含層的節(jié)點數(shù)一般設(shè)置為500‐1000個。

1‐1‐3)訓(xùn)練DNN模型參數(shù)；

根據(jù)步驟1‐1‐1)得到的N個說話人的訓(xùn)練語音數(shù)據(jù)的梅爾倒譜特征及一階、二階導(dǎo)數(shù)，對DNN模型進(jìn)行訓(xùn)練，得到DNN模型參數(shù)；DNN模型參數(shù)包括相鄰兩層的連接權(quán)重和每個節(jié)點的偏置；

相鄰兩層的連接權(quán)重，表達(dá)式如式(1)所示：

式中，W_i,i+1為有P_i行、P_i+1列的矩陣，其中表示DNN模型第i層的第m個節(jié)點和第i+1層的第n個節(jié)點的連接權(quán)重。

每個節(jié)點的偏置，表達(dá)式如式(2)所示：

式中，表示DNN模型第j層中第k個節(jié)點的偏置。

對DNN模型先進(jìn)行非監(jiān)督訓(xùn)練：把DNN模型中每相鄰的兩層組成一個受限玻爾茲曼機(jī)，利用對比散度(CD)算法對每個受限玻爾茲曼機(jī)分別進(jìn)行訓(xùn)練；依次訓(xùn)練所有的受限玻爾茲曼機(jī)，得到DNN模型參數(shù)的初始值；再進(jìn)行監(jiān)督訓(xùn)練：使用非監(jiān)督訓(xùn)練得到的DNN模型參數(shù)初始值，利用后向傳播算法對DNN模型參數(shù)進(jìn)行精確調(diào)整，得到DNN模型參數(shù)的最終值。

1‐2)支持向量機(jī)SVM模型訓(xùn)練階段：獲取M個說話人的訓(xùn)練語音數(shù)據(jù)，提取M個說話人的訓(xùn)練語音數(shù)據(jù)的特征,輸入到步驟1‐1)得到的DNN模型中，產(chǎn)生M組說話人各自對應(yīng)的N維特征，得到M個說話人的各自對應(yīng)的SVM模型；具體包括以下步驟：

1‐2‐1)獲取M個說話人(M一般取值為待測語音數(shù)據(jù)中最多可能存在的說話人個數(shù))的訓(xùn)練語音數(shù)據(jù)，訓(xùn)練語音數(shù)據(jù)來源于NIST SRE 2012數(shù)據(jù)庫，可以由網(wǎng)上下載或購買得到，所述M個說話人可以和步驟1‐1)的DNN模型訓(xùn)練階段所選取的N個說話人不同。對M個說話人的訓(xùn)練語音數(shù)據(jù)進(jìn)行預(yù)處理，得到M個說話人的訓(xùn)練語音數(shù)據(jù)對應(yīng)的梅爾倒譜特征及一階、二階導(dǎo)數(shù)，共60維。

1‐2‐2)將步驟1‐2‐1)得到的M個說話人的訓(xùn)練語音數(shù)據(jù)對應(yīng)的60維梅爾倒譜特征分別輸入到步驟1‐1)得到的DNN模型中，每個說話人的訓(xùn)練語音數(shù)據(jù)的60維梅爾倒譜特征對應(yīng)得到DNN模型的輸出層輸出的的該說話人的N個輸出概率，將得到的每個說話人的N個輸出概率組成該說話人的N維特征，共產(chǎn)生M組說話人各自對應(yīng)的N維特征。

1‐2‐3)將M個說話人中第i個說話人的訓(xùn)練語音數(shù)據(jù)作為一類，i∈1～M，類別標(biāo)簽定為1；其余M‐1個說話人作為另一類，類別標(biāo)簽定為‐1，得到二分類SVM模型；根據(jù)步驟1‐2‐2)得到的M組說話人各自對應(yīng)的N維特征及類別標(biāo)簽，對二分類SVM模型進(jìn)行訓(xùn)練，得到第i個說話人的SVM模型；

1‐2‐4)重復(fù)步驟1‐2‐3)，讓i的取值分別從1到M，最終得到M個說話人的各自對應(yīng)的SVM模型，共M個。

1)說話人個數(shù)估計階段，具體包括以下步驟：

2‐1)獲取待測語音數(shù)據(jù)，待測語音數(shù)據(jù)的說話人可以和DNN模型訓(xùn)練階段的N個說話人以及支持向量機(jī)SVM模型訓(xùn)練階段的M個說話人都不相同。對待測語音數(shù)據(jù)進(jìn)行預(yù)處理，得到待測語音數(shù)據(jù)對應(yīng)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維；

2‐2)將步驟2‐1)得到的每條待測語音數(shù)據(jù)的梅爾倒譜特征輸入到步驟1‐1)得到的DNN模型中，每條待測語音數(shù)據(jù)的60維梅爾倒譜特征對應(yīng)得到DNN模型的輸出層輸出的該條待測語音數(shù)據(jù)的N個輸出概率，將得到的每條待測語音數(shù)據(jù)的N個輸出概率組成該條待測語音數(shù)據(jù)的N維特征。

2‐3)將步驟2‐2)得到的任意一條待測語音數(shù)據(jù)的N維特征依次輸入到步驟1‐2)得到的M個說話人各自對應(yīng)的對應(yīng)的SVM模型中，每個SVM模型對該條待測語音數(shù)據(jù)進(jìn)行評分，根據(jù)每個SVM模型評分結(jié)果判斷該條待測語音數(shù)據(jù)對應(yīng)的說話人和SVM模型所對應(yīng)的M個說話人的相近程度，得分最高的SVM模型即為該條待測語音數(shù)據(jù)所對應(yīng)的類別，該SVM模型所對應(yīng)的說話人即為該條待測語音數(shù)據(jù)的近似說話人。

2‐4)重復(fù)步驟2‐3)，將所有待測語音數(shù)據(jù)的N維特征分別輸入M個SVM模型中，對所有待測語音數(shù)據(jù)進(jìn)行分類，得到的類別總個數(shù)Q即為估計得到的待測語音數(shù)據(jù)的說話人個數(shù)，Q≤M。

本發(fā)明提出的一種基于DNN模型和支持向量機(jī)模型的說話人個數(shù)估計方法，下面結(jié)合一個具體實施例對本發(fā)明進(jìn)一步說明如下。

本發(fā)明提出的一種基于DNN模型和支持向量機(jī)模型的說話人個數(shù)估計方法，分為模型訓(xùn)練階段和說話人個數(shù)估計階段兩個階段，其中，模型訓(xùn)練階段分為DNN模型訓(xùn)練階段和支持向量機(jī)SVM模型訓(xùn)練階段兩個階段；包括以下步驟：

1)模型訓(xùn)練階段：獲取N個說話人的訓(xùn)練語音數(shù)據(jù)，提取每條訓(xùn)練語音數(shù)據(jù)的特征，設(shè)置DNN模型的層數(shù)和節(jié)點數(shù),對DNN模型進(jìn)行訓(xùn)練，得到DNN模型參數(shù)；具體包括以下步驟：

1‐1)DNN模型訓(xùn)練階段；具體包括以下步驟：

1‐1‐1)獲取N個說話人的的訓(xùn)練語音數(shù)據(jù)，本實施例中N取值為400；所述訓(xùn)練語音數(shù)據(jù)來源于NIST SRE 2012，可以通過網(wǎng)絡(luò)下載或購買得到；對訓(xùn)練語音數(shù)據(jù)進(jìn)行預(yù)處理，提取每條訓(xùn)練語音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，總共60維。

1‐1‐2)設(shè)置DNN模型的層數(shù)和節(jié)點數(shù)；

本實施例中DNN模型結(jié)構(gòu)如圖2所示，分為輸入層、隱含層和輸出層三個層次；本實施例中，DNN模型總共有5層，第1層為輸入層，第2‐4層為隱含層，共有3層隱含層，第5層為輸出層。DNN模型的輸入層對應(yīng)語音數(shù)據(jù)的特征，本發(fā)明為步驟1‐1‐1)得到的每幀訓(xùn)練語音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維，則輸入層節(jié)點數(shù)P₁設(shè)置為60個；輸出層的節(jié)點數(shù)P₅等于所需識別的說話人個數(shù)，本實施例為400個，每個節(jié)點的輸出分別對應(yīng)每個說話人的概率；隱含層用于自動提取不同層次的特征，本實施例隱含層層數(shù)設(shè)置為3層，隱含層所提的特征從第2層的低級抽象逐漸向第4層的高級抽象過渡；每層隱含層的節(jié)點數(shù)代表該層隱含層所提取的特征的維度，本實施例中中間位置的隱含層(即第3層)的節(jié)點數(shù)設(shè)置為P₃＝100個(一般設(shè)置為100‐300個)，其余隱含層的節(jié)點數(shù)P₂和P₄分別設(shè)置為800個(一般設(shè)置為500‐1000個)。

1‐1‐3)訓(xùn)練DNN模型參數(shù)；

根據(jù)步驟1‐1‐1)得到的400個人的訓(xùn)練語音數(shù)據(jù)的梅爾倒譜特征及一階、二階導(dǎo)數(shù)，對DNN模型進(jìn)行訓(xùn)練，得到DNN模型參數(shù)；DNN模型參數(shù)包括相鄰兩層的連接權(quán)重和每個節(jié)點的偏置；

相鄰兩層的連接權(quán)重，表達(dá)式如式(1)所示：

式中，W_ii+1為有P_i行、P_i+1列的矩陣，其中表示DNN模型第i層的第m個節(jié)點和第i+1層的第n個節(jié)點的連接權(quán)重。

每個節(jié)點的偏置，表達(dá)式如式(2)所示：

式中，表示DNN模型第j層中第k個節(jié)點的偏置。

對DNN模型先進(jìn)行非監(jiān)督訓(xùn)練：把DNN模型中每相鄰的兩層組成一個受限玻爾茲曼機(jī)，本實施例中即圖2中的第1層和第2層、第2層和第3層、……、第4層和第5層，當(dāng)成一個受限玻爾茲曼機(jī)，共有4個受限玻爾茲曼機(jī)；用對比散度(CD)算法對每個受限玻爾茲曼機(jī)分別進(jìn)行訓(xùn)練，即先訓(xùn)練第1層和第2層組成的受限玻爾茲曼機(jī)，得到DNN模型參數(shù)中的B₁、B₂、W₁₂；接著訓(xùn)練第2層和第3層組成的受限玻爾茲曼機(jī)，得到DNN模型參數(shù)中的B₃、W₂₃；依次訓(xùn)練所有的受限玻爾茲曼機(jī)，得到DNN模型參數(shù)的初始值。再進(jìn)行監(jiān)督訓(xùn)練：使用非監(jiān)督訓(xùn)練得到的DNN模型參數(shù)初始值，利用后向傳播算法對DNN模型參數(shù)進(jìn)行精確調(diào)整，得到DNN模型參數(shù)的最終值。

1‐2)支持向量機(jī)SVM模型訓(xùn)練階段：獲取M個說話人的訓(xùn)練語音數(shù)據(jù)，提取M個說話人的訓(xùn)練語音數(shù)據(jù)的特征,輸入到步驟1‐1)得到的DNN模型中，產(chǎn)生M組說話人各自對應(yīng)的N維特征，得到M個說話人的各自對應(yīng)的SVM模型；具體包括以下步驟：

1‐2‐1)獲取M個說話人(M一般取值為待測語音數(shù)據(jù)中最多可能存在的說話人個數(shù))的訓(xùn)練語音數(shù)據(jù)，本實施例中M取值為5個，訓(xùn)練語音數(shù)據(jù)來源于NIST SRE 2012數(shù)據(jù)庫，可以由網(wǎng)上下載或購買得到，這5個說話人可以和步驟1‐1)的DNN模型訓(xùn)練階段所選取的400個說話人不同。對M個說話人的訓(xùn)練語音數(shù)據(jù)進(jìn)行預(yù)處理，得到M個說話人的訓(xùn)練語音數(shù)據(jù)對應(yīng)的梅爾倒譜特征及一階、二階導(dǎo)數(shù)，共60維。

1‐2‐2)將步驟1‐2‐1)得到的M個說話人的訓(xùn)練語音數(shù)據(jù)對應(yīng)的60維梅爾倒譜特征分別輸入到步驟1‐1)得到的DNN模型中，每個說話人的訓(xùn)練語音數(shù)據(jù)的60維梅爾倒譜特征對應(yīng)得到DNN模型的輸出層輸出的的該說話人的400個輸出概率，將得到的每個說話人的400個輸出概率組成該說話人的400維特征，共產(chǎn)生5組說話人各自對應(yīng)的400維特征。

1‐2‐3)將5個說話人中第i個說話人的訓(xùn)練語音數(shù)據(jù)作為一類，i∈1～5，類別標(biāo)簽定為1；其余4個說話人作為另一類，類別標(biāo)簽定為‐1，得到二分類SVM模型；根據(jù)步驟1‐2‐2)得到的5組說話人各自對應(yīng)的400維特征及類別標(biāo)簽，對二分類SVM模型進(jìn)行訓(xùn)練，得到第i個說話人的SVM模型；

1‐2‐4)重復(fù)步驟1‐2‐3)，讓i的取值分別從1到5，最終得到5個說話人的各自對應(yīng)的SVM模型，共5個。

2)說話人個數(shù)估計階段，具體包括以下步驟：

2‐1)獲取待測語音數(shù)據(jù)，本實施例中待測語音數(shù)據(jù)來自錄音得到的會議記錄。該待測語音數(shù)據(jù)的說話人可以和DNN模型訓(xùn)練階段的400個說話人以及支持向量機(jī)SVM模型訓(xùn)練階段的5個說話人都不同。對待測語音數(shù)據(jù)進(jìn)行預(yù)處理，得到待測語音數(shù)據(jù)對應(yīng)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維；

2‐2)將步驟2‐1)得到的每條待測語音數(shù)據(jù)的梅爾倒譜特征輸入到步驟1)得到的DNN模型中，每條待測語音數(shù)據(jù)的60維梅爾倒譜特征對應(yīng)得到DNN模型的輸出層輸出的該條待測語音數(shù)據(jù)的400個輸出概率，將得到的每條待測語音數(shù)據(jù)的400個輸出概率組成該條待測語音數(shù)據(jù)的400維特征。

2‐3)將步驟2‐2)得到的任意一條待測語音數(shù)據(jù)的400維特征依次輸入到步驟1‐2)得到的5個說話人各自對應(yīng)的對應(yīng)的SVM模型中，每個SVM模型對該條待測語音數(shù)據(jù)進(jìn)行評分，根據(jù)每個SVM模型評分結(jié)果判斷該條待測語音數(shù)據(jù)對應(yīng)的說話人和SVM模型所對應(yīng)的5個說話人的相近程度，得分最高的SVM模型即為該條待測語音數(shù)據(jù)所對應(yīng)的類別，該SVM模型所對應(yīng)的說話人即為該條待測語音數(shù)據(jù)的近似說話人。

2‐4)重復(fù)步驟2‐3)，將所有待測語音數(shù)據(jù)的400維特征分別輸入5個SVM模型中，對所有待測語音數(shù)據(jù)進(jìn)行分類，得到的類別總個數(shù)Q即為估計得到的待測語音數(shù)據(jù)的說話人個數(shù)，Q≤M，本實施例中類別總個數(shù)Q小于等于SVM模型個數(shù)5。

至此，完成說話人個數(shù)估計。

本發(fā)明關(guān)于說話人個數(shù)估計方法，是通過待測語音數(shù)據(jù)按幀進(jìn)行輸入，并識別該測試語音數(shù)據(jù)每條幀所對應(yīng)的說話人，這使得該方法具有有效的實時性?；谠摲椒▽崟r性的特點，能夠?qū)Υ郎y語音數(shù)據(jù)中的說話人個數(shù)進(jìn)行在線估計；該方法是對待測語音數(shù)據(jù)按幀識別對應(yīng)的說話人的類別，由此可以得出待測語音數(shù)據(jù)的每幀說話人類別，如果相鄰的兩幀對應(yīng)的說話人不同，則該點即為說話人變換點，完成待測語音數(shù)據(jù)的說話人變換點檢測。

值得注意的是，本實施例在以本發(fā)明技術(shù)方案為前提進(jìn)行實施，但本發(fā)明的保護(hù)范圍不僅限于該實施例。凡是在本發(fā)明的實質(zhì)精神范圍之內(nèi)，對以上實施例所作的適當(dāng)改變和變化，都落在本發(fā)明要求保護(hù)的范圍之內(nèi)。