声道长度规整
在提取语种声学特征参数时，如何消除和抑制说话人影响是一个值得考虑的 问题。首先说话人会有生理，年龄，性别等不同，这就会对声学特征产生影响， 造成说话人发音的不同的一个主要原因是声道形状，尤其是受声道长度的影响最为突出。
一般，通过在频率域上的线性变换来实现 VTLN，它是基于声道传输模型的假设分析，可认为声道是一截面均匀的声管：
VTL 代表声道长度，c 代表声速，Fi是第 i 阶的共振峰。
由上式可知，声道长度与共振峰成反比，因此可以直接频域线性变换：
这一变换与实际采用的变换函数有差别，主要是由于这一变换会造成带宽的扩展或压缩。更普遍的是采图用下世的变换。
按照上述公式我们即可完成 VTLN，但是我们还需要找寻规整因子α,接下来， 我们就如何估计规整因子做一些阐述。
A. 训练流程
如下图所示，首先我们需要得到一个声道无关的背景（UBM）模型。
提取语音特征参数（不同的 α 的特征），首先用 α=1.0 训练一个与声道 无关的 UBM 模型。
用这个 UBM 模型，对不同 α 所提取的特征进行测试，根据 ML 最大似 然，得到每个语音所对应的最优 α 值。
用 2 中所找到的每个语音的最优 α 值所对应的特征，重新训练 UBM。
重复 2，这样又可以得到每个语音的最优 α 值。
比较这一次的 α 值与上一次的 α 值是否相同，或者差异不大。如果满足 条件，停止迭代，否则，重复（3）和（4）过程.
B. 解码过程
解码的过程十分简单，只需要将各个规整因子对应的特征对最终训练好的 UBM 计算似然值即可，然后值取得似然最大的特征所对应的规整因子。
其实，在估计声道规整因子还有另一种策略，就是对于不同的规整因子分别 训练模型，然后提取 α=1.0 时的语音特征分别对这些模型进行测试，再选取最大 的特征所对应的 α。
C. 实验
为了验证VTLN的有效性，我们在NIST 2007数据库上进行了尝试性的实验， 通过 NIST 2003 的数据我们得到了声道无关的 UBM 模型，利用这一模型对 NIST 2007 的测试数据进行声道规整（即估计∧α的值），训练集没有进行声道规整，主 要是考虑到实验的时间消耗问题，所采用的特征是 56 维的 SDC 特征，对不同时 长的测试分别作出对比，通过等错误率（EER）的比较（见下表），发现仅仅在 测试集上对特征进行声道规整就可以获得 10%左右的提升。
所以在我们以后的实验中，VTLN 被作为一项重要的前端处理技术，并且在 后来，我们对于训练集数据也做了声道规整，根据的一些已有的实验结论，这样可以进一步提高系统的性能。
可以关注音频核公众号了解更多哦
总结
- 上一篇： 电容麦克风测试软件,章和电气AudioE
- 下一篇： 音频的测试