臺灣博碩士論文加值系統

本論文利用聲學的觀念及統計的數學模式，發展出一套不特定語句的電話語者辨識系統。系統的運作過程可分為如下兩大階段：第一階段是很擬聲學觀念所建立的長時域頻譜特徵萃取部份：將輸入端所輸入的語者電話語音資料轉換成長時域頻譜，並利用卡氏轉換將語者的長時域電話語音頻譜資料矩陣轉化為維度較低的正規化轉換矩陣，再求出轉換矩陣的平均值與共變異數矩陣作為代表每位電話語者獨特且與其他電話語者不同的個人特徵；第二階段是屬於電話語善辨識部份：利用統計數學模式中的二次方分類器，將測試電話語者經前述第一階段所處理過的個人電話語音特徵，依其轉換矩陣在統計空間上的群集特性加以分群分類，由此便可辨認出正確的電話語者。經過卡氏轉換過後的電話語音樣本資料可以大量減低樣本維度，除了可以在辨識階段節省大量的系統計算資源外，電話語者的樣板也不須佔用太多的系統儲存空間；而依統計觀念所設計的分類器，除了可以評量在統計空間中各語者電話語音特徵平均值的幾何距離外，並且同時把電話語者的頻譜語音特徵中的變異性也考慮進去。因此可以提高電話語者辨識的正確率。此外，本論文提出在使用長時域特徵平均處理一般錄音環境下的語者電話語音資料時，若所選取的語音框的訊號雜訊比愈高，則辨識效果愈好的觀念。

A Text independent speaker identification system based on long-term spectral feature averaging (LTA) and Karhunen-Loeve transform (KLT) for telephone speech is proposed. This system uses basis function derived from KLT to effectively reduce the data volume and preserve most of the identification information for each speaker. A database with 61 male and 72 female mandarin speakers recorded from the telephone answering system are collected for system evaluation. By the use of the first 28 features from the 128 basis functions, it is demonstrated that the correct classification rate can reach 88% if our special frame selection criterion is used, and correct classification rate is 73% only if the special frame selection criterion is not used! And the same time the classification time can be reduced to about 3% of the classification time with 128 features!