语音信号处理（2）：文本相关的声纹识别系统（MFCC、VQ）

    本文基于Matlab设计实现了一个文本相关的声纹识别系统，可以判定说话人身份。简单理解即为一个声纹锁（类似指纹锁）。整个系统的源代码，可以从这里下载：【基于Matlab的声纹锁】

系统原理

  a.声纹识别

    这两年随着人工智能的发展，不少手机App都推出了声纹锁的功能。这里面所采用的主要就是声纹识别相关的技术。声纹识别又叫说话人识别，它和语音识别存在一点差别。

  b.梅尔频率倒谱系数（MFCC）

   梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient, MFCC）是语音信号处理中最常用的语音信号特征之一。
    实验观测发现人耳就像一个滤波器组一样，它只关注频谱上某些特定的频率。人耳的声音频率感知范围在频谱上的不遵循线性关系，而是在Mel频域上遵循近似线性关系。
   梅尔频率倒谱系数考虑到了人类的听觉特征，先将线性频谱映射到基于听觉感知的Mel非线性频谱中，然后转换到倒谱上。普通频率转换到梅尔频率的关系式为：

   更加详细的Mel频率倒谱系数介绍，可以参考这里： 【梅尔频率倒谱系数（MFCC）】

  c.矢量量化（VectorQuantization）

    本系统利用矢量量化对提取的语音MFCC特征进行压缩。
    VectorQuantization (VQ)是一种基于块编码规则的有损数据压缩方法。事实上，在 JPEG 和 MPEG-4 等多媒体压缩格式里都有 VQ 这一步。它的基本思想是：将若干个标量数据组构成一个矢量，然后在矢量空间给以整体量化，从而压缩了数据而不损失多少信息。详细介绍可以参考：【矢量量化】

系统结构

    本文整个系统的结构如下图：
  –训练过程
   首先对语音信号进行预处理，之后提取MFCC特征参数，利用矢量量化方法进行压缩，得到说话人发音的码本。同一说话人多次说同一内容，重复该训练过程，最终形成一个码本库。
  –识别过程
   在识别时，同样先对语音信号预处理，提取MFCC特征，比较本次特征和训练库码本之间的欧氏距离。当小于某个阈值，我们认定本次说话的说话人及说话内容与训练码本库中的一致，配对成功。

测试实验

a.训练

说话人：我
发音内容：“芝麻开门”

b.识别结果1：

说话人：我 （同一说话人）
发音内容：“芝麻开门” （同一说话内容）

c.识别结果2：

说话人：我（同一说话人）
发音内容：“芝麻关门” （不同说话内容）

d.识别结果3

说话人：我室友 （不同说话人）
发音内容：“芝麻开门” （同一说话内容）

    可以看到只有说话人及说话内容与码本库完全一致时才会显示“密码正确”，否则显示“密码错误”，实现了声纹锁的相关功能。
   整个系统的源代码，可以从这里下载：【基于Matlab的声纹锁】
   enjoy!