摘要
说话人识别模型通常使用中性语音进行训练，但真实用户在说话时很少处于情绪中立的状态。情绪会改变语音的韵律、频谱结构、发音方式以及说话速度，导致实际语音与训练时观测到的声学特征有所偏差。传统的增强方法（如添加噪声或改变说话速度）虽然能够引入一些普遍的声学变化，但并未明确对这些由情绪导致的协同变化进行建模。因此，本研究探讨在无法获取真实情绪状态下的语音记录时，合成情绪语音表示是否能够帮助提高说话人识别率。研究采用了一种条件生成对抗网络（CGAN），将中性梅尔频谱图转化为愤怒、快乐和悲伤三种情感状态的频谱图。这些变换模型是基于ESD和SAVEE数据库中词汇上相似的中性和情绪语音数据进行训练的。生成后的频谱图被添加到中性语音训练数据中，而评估则仅使用RAVDESS和CREMA-D这两个独立的语料库中的真实语音数据进行。实验结果表明，学习到的情绪转换模型能够在不同说话者、不同词汇内容以及不同录音条件下通用。综合应用情绪增强技术后，两个语料库中的说话人识别准确率均有所提高，其中RAVDESS的语音识别准确率从65.00%提升到了71.83%，CREMA-D的语音识别准确率则从56.04%提升到了60.20%。实验还发现，增强效果会受到目标情感状态和语料库的影响；在某些语料库中，单一情感的增强反而不利于提高识别率。
