說話人識別（Speaker Recognition，SR），又稱聲紋識別（Voiceprint Recognition,VPR），顧名思義，即通過聲音來識別出來“誰在說話”。語音識別（Automatic Speech Recognition，ASR）是通過聲音識別出來“在說什麽”。為了區分，本文的主題稱為聲紋識別VPR。

傳統的VPR多是采用MFCC特征以及GMM模型框架，也取得了非常優秀的結果，不再贅述。後續也出現了I-ivector，深度學習等更多的算法框架。

說話人識別中的經典方法是I-Vector，I-Vector建模方式稱為全局差異空間建模（Total Variability Modeling, TVM），采用該方法提取的I-Vector記為TVM-I-Vector。

在基於TVM-I-Vector的聲紋識別系統中，我們一般可以分為三個步驟。第一步是統計量的提取，第二步是提取I-Vector，第三步是進行信道補償技術。統計量的提取是指將語音數據的特征序列，比如MFCC特征序列，用統計量來進行描述，提取的統計量屬於高維特征，然後經過TVM建模，投影至低維空間中得到I-Vector。

在TVM-I-Vector建模中，統計量的提取是以UBM為基礎的，根據UBM的均值及方差進行相應統計量的計算。

基於DNN的說話人識別的基本思想是取代TVM中的UBM產生幀級後驗概率。即采用DNN進行幀級對齊的工作，繼而計算訓練數據的統計量，進行全局差異空間的訓練以及I-Vector的提取。

目前沒有詳細證據證明深度神經網絡或組合i-vector的深度神經網絡性能一定優於i-vector方法，可能原因是說話人識別中信道幹擾較多，難以搜集足夠數據訓練深度神經網絡。

說話人識別概述