文本无关的说话人识别综述（一）----简介
本文是读书笔记。个人比较浅显的理解，其中有一些专业词汇也是个人自己的翻译，如果有不对的希望大家指正。
来自论文《An overview of text-independent speaker recognition: From features to supervectors》的第一章节和第二章节。
一 引言
说话人识别简介：也叫做声纹识别，通过声音识别说话的人是谁。（注意跟语音识别的区别）
说话人识别的可行性：
1、物理层面（先天因素）：每个人的声道形状，咽喉（larynx）尺寸等发声器官都是不一样的。
2、心理层面（后天因素）：每个人的说话习惯是不同的，例如重音、节奏、语气、发音模式、口头禅等。
说话人识别的分类：文本无关和文本相关。（其中文本无关的说话人识别难度更大）
文本无关（text-independent）：识别与说话的内容无关（即不管说话内容是什么，都可以识别出说话人）、
文本相关（text-dependent）：识别的语句是固定的，预先知道的。
session variability：同一个说话人两段语音之间的不同。导致这些不同的原因也可以分为两大类：
1、声学环境和技术的变化。
2、说话人自身差异（with-speaker variation）：健康、情绪、年级的不同，会导致session variability。
二 基础知识
下图为自动说话人识别系统的框图。
图上半部分为注册过程，下半部分为识别过程。特征提取模块将信号（raw singal）转换为特征矢量（feature vectors）。
在注册过程，使用目标说话人（target speaker）的特征矢量训练说话人模型（speaker model）。在识别过程，未知说话人的特征矢量会跟系统数据库中的模型进行比较，得到一个分数。决策模型将使用这个分数做出最后的判断。
2.1 特征的选择 selection of features
一个理想的特征应该具有以下特性：
- 不同人之间区别大，同一个人区别小
- 对噪声和失真的鲁棒性强
- 在语音中周期自然地出现
- 易于从语音信号中提取
- 难于模仿
- 不会因为说话人的健康状况或长时间的变化而变化
同时，特征的数量应该尽可能少。传统的统计模型（例如高斯混合模型 Gaussian mixture model）不能处理高维数据（high-dimensional）。
维度诅咒（the curse of dimensionality）：训练样本数目会随着特征的数目的增长而指数增长。
特征的分类：根据特性的物理含义我们可以将它们分成五大类。
(1) short-termspectral features 短时谱特征：一般由20-30ms的短帧中计算，主要描述短时谱包络中的音色、共鸣
(2) voice source features, 声源特征：用于描述声源（声门波）的特性
(3) spectro-temporal features, 谱-时间特征：
(4) prosodic features 韵律特征：超过几十或者几百毫秒，通常包含声调（intonation）和节奏（rhythm）
(5)high-level features 高级特性：主要捕捉个人的说话特征，例如习惯用语（uh-huh，you know， oh yeah）
2.2 说话人模型（Speaker model）
使用已知说话人的语句（training utterances）提取特征矢量，训练说话人模型并存入系统数据库。
典型的说话人模型可以分为两种：template model和 stochastic model，即模板模型和随机模型。也称作非参数模型和参数模型。
模板模型将训练特征参数和测试的特征参数进行比较，两者之间的失真（distortion）作为相似度。例如VQ（Vector quantization矢量量化）模型和DTW（dynamic time warping）模型
随机模型用一个概率密度函数来模拟说话人，训练过程用于预测概率密度函数的参数，匹配过程通过计算相应模型的测试语句的相似度来完成。例如（GMM和HMM）高斯混合模型和隐马尔科夫模型。
根据测试用例，模型也可以分为generative model和discriminativemodel。前者主要有：GMM和VQ模型，后者主要有：ANNs人工神经网络和SVMs支持向量机。前者主要针对个人差异（within each speaker），后者主要针对人与人之间的差异（boundary between speakers）。