同時說話聲之內含語者的辨識問題探討

A Preliminary Study of Speaker Recognition in Overlapping Speech

自動語者辨識（Automatic Speaker Recognition）研究在「語音處理」（Speech Processing）與「生物測定」（Biometrics）領域中已有數十年歷史，其目的在於判斷一段語音是由誰所說（稱為「語者識別」，Speaker Identification，SID）或是否為某人所說（稱為「語者確認」，Speaker Verification）。自1996年起，美國國家標準與技術研究院（National Institute of Standard and Technology，NIST）舉辦了無數次的語音辨識相關技術評比（Benchmark Tests），評比項目也隨著技術的發展而不斷地更新，但其中「語者辨識」評比自1996年起迄今仍持續進行，顯示這項研究議題的重要性與可發展性。近幾年的語者辨識評比著重於對話語音中的語者偵測判斷（Speaker Detection），並與另一項評比「Rich Transcription」中的子項目相結合成一個特別的研究議題，稱為「語者分段標記」（Speaker Diarization），又稱「Who Spoke When」，其目標是在一段錄音資料中區分出不同說話者的說話區段，並一一標示出來。這項工作主要涉及三個步驟：1）將音訊自動切割成為很多小區段，目標是每一小區段只包含一個說話者；2）對這些小區段進行自動分群，希望每一群集都只包含一個說話者的聲音；3）判別每一群集的性別，並給予一個說話者識別身分。