基于GMM的说话人识别模型(matlab)

通过机器学习来解决说话人识别这一难题是当前的一个趋势。而GMM模型（高斯混合模型）在说话人识别领域很常用。标题有点大了，其实这只是一个框架模型。既然是框架模型，说明还要很多地方可以进一步的完善。虽然是个框架模型，但是其识别率也是可以达到70-80%左右。

%% 初始化
GMM_com = 16;

training_count = 6;	% 训练数据集类别数，有几个人就是几类
testing_count = 36;	% 测试数据个数，至少录36段录音
wavdir = '/tmp/voice_test';	% 这是放数据的文件路径，如果提示文件无法打开，改用绝对路径

mu_train = zeros(training_count, 12, GMM_com);
sigma_train = zeros(training_count, 12, GMM_com);
c_train = zeros(training_count, GMM_com, 1);

%% 训练过程
% 在<wavdir>/training/下为每个人建立一个文件夹，名称按数字顺序。
% 每个文件夹里是对应那个人的两段训练数据，分别命名为1.wav和2.wav。
for n = 1 : training_count
twavdir = [wavdir, '/training/' num2str(n), '/1.wav'];
twavdir2 = [wavdir, '/training/' num2str(n), '/2.wav'];
[train_data1, fs] = readwav(twavdir);
train_data1=filter([1-0.9378],1,train_data1);%预加重
train_feature1 = melcepst(train_data1, fs);	% 提取MFCC特征
[train_data2, fs] = readwav(twavdir2);
train_data2=filter([1-0.9378],1,train_data2);%预加重
train_feature2 = melcepst(train_data2, fs);
% 训练高斯混合模型(Gauss Mixture Model)，返回值是GMM模型的3个参数
[mu_train1, sigma_train1, c_train1] = gmm_estimate([train_feature1', train_feature2'], GMM_com);
mu_train(n, : , : ) = mu_train1;
sigma_train(n, : , : ) = sigma_train1;
c_train(n, : , : ) = c_train1;
end

score = zeros(testing_count, training_count);

%% 测试过程
for o = 1 : testing_count
newlabel = [wavdir, '/testing/', num2str(o), '.wav'];
[test_data, fs] = readwav(newlabel);
test_data=filter([1-0.9378],1,test_data);%预加重
test_feature = melcepst(test_data, fs);	% 提特征
for n = 1 : training_count
sigma_train1 = zeros(12, GMM_com);
mu_train1 = zeros(12, GMM_com);
c_train1 = zeros(GMM_com, 1);
for t = 1 : 12
for k = 1 : GMM_com
sigma_train1(t, k) = sigma_train(n, t, k);
mu_train1(t, k) = mu_train(n, t, k);
end
end
for t = 1 : GMM_com
c_train1(t, 1) = c_train(n, t, 1);
end
% 把第o个测试数据的特征与第n个GMM模型做匹配，计算得分
[lYM, lY] = lmultigauss(test_feature', mu_train1, sigma_train1, c_train1);
[score(o, n)] = mean(lY);
end
end

for h = 1 : testing_count
[~, i] = max(score(h, : ));
fprintf('results[%d]: %3d\n', h, i);
end

按照以上的模型做出来，正确率可以达到70-80%。初步考虑可以从对.端点检测程序和MFCC特征提取过程进行改进。再有就是这个模型其实是一个静态的模型，训练模型只训练了一次，没有一个动态学习的过程。可以考虑将识别出错的语句加入训练模型，建立一个训练--识别--查错--再训练的动态模型。