面向智能手机信道的中文说话人识别数据库mtdsr.pdfVIP

NCMMSC2017 中国连云港 2017 年10 月 面向智能手机信道的中文说话人识别数据库MTDSR 1 1 1 黄艺驰 ，邹月娴 ，柳俊宏 (1. 北京大学 信息工程学院 现代信号与数据处理实验室智能多媒体与虚拟现实重点实验室， 深圳 518055) 文 摘：本文在对现有主流说话人识别语音数据库进行分析和对比的基础上，提出并建立第一个免费且开源的面向智 能手机信道下文本相关的用于说话人识别研究的中文普通话语料库 MTDSR （Mandarin corpus for Text Dependent Speaker Recognition）。该数据库的特点是：包含181 个说话人；每位录音者的录音语料包括20 句8 位随机字符串、 15 句古诗词、15 句新闻句子、20-30 句短语和日常对话、2 首歌词；录音总时长约70 小时，在4 种不同型号智能手 机信道下录制。本文最后对MTDSR 进行了GMM-UBM 和i-vector 说话人确认算法的基线实验。 关键词： 语音数据库；说话人识别；文本相关；智能手机设备 中图分类号： TN912.34 语音数据库是说话人识别研究的基础和对象， 以下因素：1）说话人的数量和差异性；2 ）说话 近几十年来，正是由于标准公开数据集的建立，才 人录音的次数及录音间隔；3 ）语料的类型（固定 使得我们在说话人识别领域的研究取得了显著的 短语、带提示的数字、朗读句子、对话语音等）； [3] 成果。鉴于语音数据库对推动说话人确认技术的研 4 ）录音设备，录制环境，传输信道等 。 究和实际应用具有重要意义，国际上各著名的研究 目前国际上用于说话人识别研究的公开数 机构、大学和公司都非常重视说话人识别数据库的 据库很多，主流的公开数据库信息如表1 所示。 建设，如美国的LDC （Linguistic Data Consortium ）、 我们对表1 所列的说话人识别数据库进行分析和 OGI （Oregon Graduate Institute ）、欧洲的 ELRA 比较后发现，这些数据库有两个共同的特点：（1） （European Language Resources Association ）、新加坡 在这些主流的说话人识别数据库中，绝大多数都 2 是英文语料，个别数据库为法语和德语语料，而 的I R （Institute for Infocomm Research ）、北京大学 信息科学中心听觉研究室、清华大学语音和语言技 用于中文说话人识别研究的中文普通话数据库很 术中心（CSLT ）都是长期致力于语音相关技术研究 少，这使得中文普通话的说话人识别研究的工作 资源的大规模开发和共享的主要组织和机构。但随 推进非常困难；（2 ）目前绝大多数用于说话人识 着研究的深入，许多研究团队根据研究目的和实际 别的语音数据库还停留在固定电话和麦克风两种 应用需要设计并建立了用于不同场景、不同信道下 录音方式上，然而随着智能手机的快速普及，基 的说话人识别数据库，如浙江大学计算机学院录制 于智能手机的说话人识别应用场景越来越多，传 的面向移动环境的SRMC [1]和厦门大学信息科学与 统的固定电话和麦克风等已经不再是语音接入的 技术学院录制的跨信道说话人语音识别库 主流设备，并且少数使用移动设备录音的数据库 XMU-MultiChannel [2] 。 也存