基于i-vector与PLDA算法的说话人识别系统

资 源 简 介

该项目是一个在MATLAB环境下开发的集成化语音识别平台，专门用于实现基于i-vector（恒同矢量）技术的说话人身份识别。系统配备了完整的图形用户界面（GUI），允许用户进行直观的交互操作。

详 情 说 明

基于i-vector与PLDA算法的说话人识别系统

项目介绍

本项目是一个在MATLAB环境下实现的集成化语音处理平台，专注于说话人身份识别。系统采用了语音识别领域的经典技术框架，即基于恒同矢量（i-vector）提取与概率线性判别分析（PLDA）的评分机制。通过集成化的图形用户界面（GUI），用户可以完成从语音采集、特征分析到模型注册与身份比对的全过程。该系统旨在提供一个直观的实验环境，用于展示说话人识别的核心流程与算法逻辑。

功能特性

1. 实时语音采集与处理：系统支持通过麦克风进行3秒的实时录音，或从本地磁盘加载WAV格式的音频文件。
2. 多维度信号可视化：系统能够实时绘制语音信号的时域波形图，并同步生成反映频率特征的动态语谱图。
3. 参数化模型初始化：具备一键初始化系统模型的功能，模拟生成通用的背景模型（UBM）、总变化空间矩阵（T-Matrix）以及PLDA评估参数。
4. 标准特征提取过程：实现了完整的MFCC（梅尔频率倒谱系数）提取流程，包括预加重、分帧、加窗及离散余弦变换。
5. 说话人注册库管理：允许用户输入身份标签，并将当前提取的i-vector特征存入内存数据库。
6. 智能身份比对：支持待识别语音与库中样本的多路比对，并给出量化的相似度得分与识别结果。

使用方法

1. 系统初始化：启动后，首先点击系统初始化按钮。此操作将配置i-vector模型所需的统计维度、总变化空间投影矩阵及PLDA评估参数。
2. 输入语音信号：选择实时录音或加载文件。系统会自动重采样至16kHz（如果需要）并转换为单声道。录制或加载成功后，界面将展示对应的波形与语谱图。
3. 提取特征：点击提取特征按钮，系统将根据当前音频计算其MFCC参数。
4. 注册说话人：在姓名编辑框中输入身份信息（如Speaker_A），点击注册说话人，系统将该语音的特征向量投影至低维i-vector空间并入库。
5. 执行识别：输入一段新的语音，点击身份识别。系统将计算当前语音与库中所有注册人员的PLDA相似度，并在结果面板显示最匹配的姓名及置信度得分。

系统要求

1. 软件环境：MATLAB R2016b 或更高版本。
2. 硬件需求：工作的声卡及麦克风（用于录音功能）。
3. 依赖项：系统基于原生MATLAB函数实现，无需额外安装第三方语音工具箱，但录音功能需确保系统音频驱动正常。

实现逻辑与算法说明

主程序逻辑：系统采用事件驱动架构。通过全局数据结构维护采样率（16000Hz）、MFCC维数（13维）、GMM组件数（32个）以及i-vector维度（20维）。

音频预处理：

1. 采用1 - 0.97z⁻¹的一阶FIR滤波器进行预加重，以补偿高频能量。
2. 分帧采用25ms窗长和10ms帧移。
3. 施加Hamming窗以减少频谱泄露。

核心特征提取：

1. MFCC计算：在频域应用26组梅尔滤波器组进行能量聚合，取对数后通过离散余弦变换（DCT）获取前13阶系数。
2. i-vector提取：首先计算输入特征相对于通用背景模型（UBM）的零阶和一阶统计量。采用了基于欧氏距离的硬分配法确定GMM分量，通过将统计量投影至预设的总变化空间（T矩阵）来获取低维矢量，并进行长度规范化（Standard Length Normalization）。

评分与判别：

1. PLDA评分：系统在比对阶段计算注册向量与测试向量之间的关联度。其简化实现基于余弦相似度，并结合线性增益与偏置模拟PLDA的似然比输出。
2. 结果可视化：得出的原始分值通过Logistic函数映射为0-100%的相似度得分，用于直观展示识别的可靠性。

图形界面实现：

1. 使用figure对象构建主窗口，并通过uipanel划分信号显示、控制面板和结果展示三个功能区。
2. 绘图部分通过自定义的采样频率和步长函数，手动计算并绘制瀑布式的时频语谱图。