聲紋辨識 100%自製 指導老師:趙春棠 學生:陳保均 學號:49422012 數位訊號處理概論 聲紋辨識 100%自製 指導老師:趙春棠 學生:陳保均 學號:49422012

大綱 DSP應用 生物辨識系統 聲紋辨識-處理過程 聲紋辨識缺點

DSP應用 語音方面： 語音分析/合成 語音辨識 語者辨識 噪音消除 聲紋辨識 加密/解密、T.T.S. (Text to Speech).

DSP應用 控制方面： 交直流、伺服、步進、線性馬達 雕刻機 機器人 電動車 飛機及飛彈導航系統 半導體設備 控制方面：交直流馬達、伺服馬達、步進馬達、線性馬達、壓電陶瓷馬達(Piezo)、 CNC、NC、放電加工、雕刻機、機器人、電動車、自動測試系統、 ATE、ICT、儀器量測、 半導體設備、X-Y 平台、飛行模擬器、 飛機及飛彈導航系統.

DSP應用 影像應用方面： 影像辨識 醫學影像 生理影像監測 指紋辨識 虛擬實境(VR)、D3D、3D 圖型 飛行模擬 影像應用方面：影像辨識、影像瑕疵檢測(PCB 板、鋼板、木材、隧道壁)、 影像傳送、醫學影像、X 光片儲存、生理影像監測、指紋辨識、 虛擬實境(VR)、D3D、3D 圖型、飛行模擬、HDTV、電子地 圖、Video Phone

DSP應用 通訊方面應用： 加密/解密 廣播通訊 ADSL、I-Phone、Digital Radio 衛星通訊 視訊會議系統(Video Conference) 雷達/聲納系統 電話語音秘書 通訊方面應用：加密/解密、T1/E1、ISDN、廣播通訊、蜂巢式電話、TDMA、 CDMA、ADSL、I-Phone、Digital Radio、衛星通訊、Modem、 Set Up Box、視訊會議系統(Video Conference)、電話語音秘書、 雷達/聲納系統.

生物辨識 （Biometric）系統 生理上 獨特的行為模式 臉形 指紋 虹膜 聲紋 簽名 密碼 指紋辨識佔技術比率的54％，簽名辨識佔技術比率約21％，臉部辨識則佔技術比率16％，虹膜辨識佔技術比率9％。市面上以「指紋辨 識」技術較成熟，市場占有率最高，其次則為成長速度最快的「臉部辨識」技術。「虹膜辨識」的準確度最高，但是由於使用上必需以紅外線掃描眼球，在 價格及安全性的考慮下，並不容易發展成為大眾化的產品，相對的市場占有率也就無法迅速拓展。

聲紋辨識 語音訊號 預強調(Pre-emphasis) 截取音框（Frame blocking） 漢明窗(Hamming window) 離散式傅立葉轉換(DFT) 三角濾波器（Triangular Bandpass Filters） 對數轉換（Log energy） 離散餘弦轉換(Discrete Cosine Transform, DCT) 梅爾倒頻譜係數（ MFCC） Mel-scale Frequency Cepstral Coefficients,MFCC 音色的分析

預強調(Pre-emphasis) 原始訊號 預強調後 人耳對於高頻的聲音有自動增益的效果，人無法發出高頻的聲音，隨著所發 出頻率越高，則聲音強度隨之減弱，會有高頻部分損失，為了禰補這些損失而需 將語音訊號事先做預強調處理，我們將每一個音框乘上一FIR 高通濾波器來增強 高頻部 預強調後

截取音框 先將 N 個取樣點集合成一個觀測單位，稱為音框（Frame），通常 N 的值是 256 或 512，涵蓋的時間約為 20~30 ms 左右。為了避免相鄰兩音框的變化過大，所以我們會讓兩相鄰因框之間有一段重疊區域，此重疊區域包含了 M 個取樣點，通常 M 的值約是 N 的一半或 1/3。通常語音辨識所用的音訊的取樣頻率為 8 KHz或 16 KHz，以 8 KHz 來說，若音框長度為 256 個取樣點，則對應的時間長度是 256/8000*1000 = 32 ms。

漢明窗(Hamming window) 將截取好的音框乘上漢明窗 將每一個音框乘上漢明窗，以增加音框左端和右端的連續性（請見下一個步驟的說明）。假設音框化的訊號為 S(n), n = 0,…N-1。那麼乘上漢明窗後為 S'(n) = S(n)*W(n)，此 W(n) 形式如下： W(n, a) = (1 - a) - a cos(2pn/(N-1))，0≦n≦N-1

在上述範例中，音框中的訊號是一段弦波加上雜訊，若不乘上漢明窗，音框的左端和右端並不連 續，因此在頻譜上，代表弦波的高峰比較不明顯。若乘上漢明窗後，雜訊在能量頻譜上面的強度就會比較弱，代表弦波的高峰也相對比較突出。如果我們使用實際的 聲音訊號來進行測試，漢明窗的效果就會更明顯：

離散式傅立葉轉換(DFT) 將訊號做傅立葉轉換 乘上漢明窗的主要目的，是要加強音框左端和右端的連續性，這是因為在進行 FFT 時，都是假設一個音框內的訊號是代表一個週期性訊號，如果這個週期性不存在，FFT 會為了要符合左右端不連續的變化，而產生一些不存在原訊號的能量分佈，造成分析上的誤差。當然，如果我們在取音框時，能夠使音框中的訊號就已經包含基本週 期的整數倍，這時候的音框左右端就會是連續的，那就可以不需要乘上漢明窗了。但是在實作上，由於基本週期的計算會需要額外的時間，而且也容易算錯，因此我 們都用漢明窗來達到類似的效果。 語音訊號在時域上變化十分的快速且會隨著時間不斷的改變，使得在時域上 沒有辦法作有效的觀察。可是在頻域上短時間內語音訊號是呈現週期性的，所以 一般會經由離散傅立葉轉換(Discrete Fourier Transform, DFT)把語音訊號由 時域轉成頻域[4]。

三角濾波器 1.對頻譜進行平滑化，並消除諧波的作用，突顯原先語音的共振峰 2.降低資料量 三角帶通濾波器有兩個主要目的： 1.對頻譜進行平滑化，並消除諧波的作用，突顯原先語音的共振峰。 （因此一段語音的音調或音高，是不會呈現在 MFCC 參數內，換句話說，以 MFCC 為特徵的語音辨識系統，並不會受到輸入語音的音調不同而有所影響。） 2.降低資料量。

梅爾頻率（Mel Frequency） 1kHz以下為等間隔，超過1kHz為對數間隔 模擬此人耳聽覺特性

對數轉換 將訊號做對數轉換 一個音框的音量（即能量），也是語音的重要特徵，而且非常容易計算。因此我們通常再加上一個 音框的對數能量（定義為一個音框內訊號的平方和，再取以 10 為底的對數值，再乘以 10），使得每一個音框基本的語音特徵就有 13 維，包含了 1 個對數能量和 12 個倒頻譜參數。（若要加入其他語音特徵以測試辨識率，也可以在此階段加入，這些常用的其他語音特徵，包含音高、過零率、共振峰等。） 人耳除了對於頻率的變化會隨著高頻而敏感度遞減，此外對於頻率能量的變 化也不敏感，這可以從三小聽骨的機制觀察到。人耳的外耳與中耳都是充滿空氣 而內耳卻是充滿液體，振動由空氣傳遞到液體會造成能量的損失，這時後三小聽 骨會利用槓桿原理在加上單位面積的不同來增加振動的傳送。此外，三小聽骨上 附有身體最小的骨骼肌，當有非常強大的巨響傳入，它會收縮以減低三小聽骨的 振動，藉此保護耳朵。因為模擬人耳的特性，所以一般會對梅爾三角濾波器輸出 的值作對數轉換[4]。

梅爾倒頻譜係數 將對數轉換後的訊號做離散餘弦轉換，就得到MFCC 將上述的 20 個對數能量 Ek帶入離散餘弦轉換，求出 L 階的 Mel- scale Cepstrum 參數，這裡 L 通常取 12。離散餘弦轉換公式如下： Cm=Sk=1Ncos[m*(k-0.5)*p/N]*Ek, m=1,2, ..., L 其中 Ek 是由前一個步驟所算出來的三角濾波器和頻譜能量的內積值，N 是三角濾波器的個數。由於之前作了 FFT，所以採用 DCT 轉換是期望能轉回類似 Time Domain 的情況來看，又稱 Quefrency Domain，其實也就是 Cepstrum。又因為之前採用 Mel- Frequency 來轉換至梅爾頻率，所以才稱之Mel-scale Cepstrum。

聲紋辨識缺點 易受使用器材品質 背景聲音 感冒聲音沙啞混淆影響 技術還無法精確分辨錄音的欺騙情形

文獻 http://www.senao.com.tw/proLife_Content.aspx?id=437 史賓納科技股份有限公司 http://neural.cs.nthu.edu.tw/jang/books/audiosignalprocessing/speechFeatureMfcc_chinese.asp?title=12-2%20MFCC

Thanks for listening