روشي جديد در تشخيص گوينده مستقل از متن در محيط‌هاي نويزي

A Novel Approach in Text-Independent Speaker Recognition in Noisy Environment

در اين مقاله بازشناسي مقاوم به نويز گوينده در حالت مستقل از متن مورد توجه قرار گرفته است. روش پيشنهادي بر مبناي حذف سكوت از جملات و تقطيع آنها به واحدهاي كوچك‌تر شامل چند آوا و حداقل يك واكه براي استخراج ويژگي‌هاي زمان‌بلند از جمله آنتروپي عمل مي‌كند. يك واكه پرانرژي در هر قطعه گفتاري براي استخراج فركانس پايه و فرمنت‌ها شناسايي مي‌شود. با اعمال يك روش خوشه‌بندي، ويژگي‌هاي زمان­كوتاه يعني ضرايبِ MFCC با ويژگي‌هاي زمان‌بلند تركيب مي‌شوند. نتايج آزمايشات با استفاده از طبقه‌بندي كننده از نوع MLP نشان مي‌دهد كه ميانگين نرخ بازشناسي گوينده با روش پيشنهادي در حالت بدون نويز 33/97% و در نسبت سيگنال به نويز 2- دسي‌بل 33/61% است كه نسبت به روش‌هاي متداول بهبود نشان مي‌دهد.

In this paper, robust text-independent speaker recognition is taken into consideration. The proposed method performs on manual silence-removed utterances that are segmented into smaller speech units containing few phones and at least one vowel. The segments are basic units for long-term feature extraction. Sub-band entropy is directly extracted in each segment. A robust vowel detection method is then applied on each segment to separate a high energy vowel that is used as unit for pitch frequency and formant extraction. By applying a clustering technique, extracted short-term features namely MFCC coefficients are combined with long term features. Experiments using MLP classifier show that the average speaker accuracy recognition rate is 97.33% for clean speech and 61.33% in noisy environment for -2db SNR, that shows improvement compared to other conventional methods.