11-PAGE基于深度網(wǎng)絡(luò)模型的說話人識別系統(tǒng)設(shè)計實(shí)現(xiàn)案例目錄TOC\o"1-3"\h\u23105基于深度網(wǎng)絡(luò)模型的說話人識別系統(tǒng)設(shè)計實(shí)現(xiàn)案例 -1-20804（一）語音信號預(yù)處理 -1-32340（二）特征提取 -6-7756（三）訓(xùn)練模型 -8-28833（四）聲紋對比 -13-11225（五）測試模型 -14-18618（六）評價指標(biāo)與結(jié)果分析 -15-人們對深度網(wǎng)絡(luò)模型的了解的不斷深入，企圖通過不斷加深網(wǎng)絡(luò)模型的深度來得到更抽象的特征，但是網(wǎng)絡(luò)層數(shù)的不斷加大不僅沒有獲取到更好的特征參數(shù)，反而使得模型常常由于梯度爆炸或者消失而難以收斂。殘差網(wǎng)絡(luò)的使用突破了網(wǎng)絡(luò)層數(shù)的限制，并且減少了參數(shù)的數(shù)量量使得網(wǎng)絡(luò)的性能得以提升。（一）語音信號預(yù)處理本系統(tǒng)采用的數(shù)據(jù)集來自FreeSTChineseMandarinCorpus。所采用的數(shù)據(jù)是中文語音，數(shù)據(jù)集分為訓(xùn)練集和測試集兩部分。其中訓(xùn)練集包含855名說話人，一共有有17100條語音；測試集包含855名說話人，一共有4275條語音。該語音庫的采樣率為16KHz。在語音信號預(yù)處理階段，本系統(tǒng)所使用的工具有Wav、Librosa、Numpy庫。Wav庫用于進(jìn)行WAV文件的讀寫操作。Librosa是一個功能強(qiáng)大的Python工具包，能夠?qū)σ纛l文件進(jìn)行分析、處理，并且具有時域處理、頻域處理、特征提取等功能。Numpy庫用來保存音頻數(shù)據(jù)在預(yù)處理、語譜圖轉(zhuǎn)換等操作過程中的產(chǎn)生的中間數(shù)據(jù)，并且能夠進(jìn)行數(shù)組、矩陣之間的各種數(shù)學(xué)運(yùn)算。對語音信號進(jìn)行預(yù)處理的目的是方便獲取語音信號的聲譜圖來作為神經(jīng)網(wǎng)絡(luò)的輸入。首先對語音數(shù)據(jù)通過librosa.effects.split()進(jìn)行去除靜音處理，減少語音的噪聲，提高訓(xùn)練的準(zhǔn)確率。對語音數(shù)據(jù)的時長進(jìn)行限制，語音數(shù)據(jù)過長會導(dǎo)致累積的識別錯誤數(shù)量且計算量會變得很大，語音數(shù)據(jù)過短會導(dǎo)致語音特征不明顯，難以提取語音特征，本系統(tǒng)對每條語音設(shè)置的長度是3s，語音數(shù)據(jù)以數(shù)組的方式進(jìn)行存儲，當(dāng)語音長度小于3s時，以0補(bǔ)足，當(dāng)語音長度大于3s時，隨機(jī)截取其中連續(xù)的3s語音。語音信號會隨時間的推移而發(fā)生變化，因此具有不穩(wěn)定性，并且人類的發(fā)聲器官的狀態(tài)以及收集語音信號設(shè)備的自身問題都會對采集到的語音信號的質(zhì)量產(chǎn)生影響，因此在將語音信號轉(zhuǎn)化成語譜圖之前，必須先對語音信號進(jìn)行預(yù)處理，通過預(yù)處理，消除或降低環(huán)境和傳輸設(shè)備對語音信號的影響，獲得相對“干凈”的語音，方便在后面的語音處理過程中能夠利用“干凈”的語音提取其中更加有效和更具有表征力的特征信息，提供更能描繪語音信號特點(diǎn)的特征參數(shù)，建立完善的說話人模型，并提高識別的準(zhǔn)確率。預(yù)處理一般包括預(yù)加重、分幀處理和加入窗口函數(shù)等操作。（1）預(yù)加重[9]由于人類自身生理情況的限制，在發(fā)聲時，口腔、鼻子這些發(fā)聲器官會對我們所發(fā)出的語音產(chǎn)生影響，導(dǎo)致語音信號高頻部分的對應(yīng)的頻譜幅度有所下降，因此通過預(yù)加重操作，可以凸顯語音的高頻部分，彌補(bǔ)人類自身生理狀況對產(chǎn)生的語音信號帶來的損失，降低說話人自身帶來的口唇的輻射的影響，從而提高分辨率。預(yù)加重操作可以通過一階高通濾波器來實(shí)現(xiàn)，其表達(dá)式如式4所示：H（式4）式4中，a表示預(yù)加重的系數(shù)，a的取值范圍為0.9~1.0。圖5為原始語音信號，圖6為經(jīng)過預(yù)加重后的語音信號?？梢钥闯?，經(jīng)過預(yù)加重的處理，語音信號頻譜在高頻部分的幅度得到了提升。圖5原始語音信號頻譜圖6預(yù)加重后的語音信號頻譜（2）分幀由于只有穩(wěn)態(tài)的信息才能進(jìn)行操作，因此將語音信號劃分為一小段，在每一小段內(nèi)，語音信號可近似看作是不發(fā)生變化的，每一小段叫做一幀，再對每一幀進(jìn)行短譜分析。簡單的對語音信號進(jìn)行裁剪會導(dǎo)致語音信號的丟失，例如語音信號的突然上升或突然下降，會導(dǎo)致前后幀信息的不一致。為了保持幀與幀之間的連貫性，在分幀時采用交疊法，每一幀都相互交錯，可以很好地消去上面的問題。圖7為分幀操作的圖形展示。圖8為分幀后最后一幀的時域圖像。圖7分幀圖8最后一幀時域圖像（3）加窗經(jīng)過分幀操作的語音信號通常容易出現(xiàn)的問題是，幀的起始和末尾的地方會出現(xiàn)不連續(xù)的情況，幀數(shù)越多，與原始語音信號的差別越大，識別正確率就越低，因此采用加窗法可使全局更加連續(xù)。本次研究使用的窗函數(shù)是漢明窗（HammingWindow），其表達(dá)式如式3所示。w（式5）其中，0≤n≤N-1，N為幀長。圖8為漢明窗時域波形，圖9為原始信號加上漢明窗后的波形。圖8漢明窗時域波形圖9加窗后的信號波形數(shù)據(jù)集預(yù)處理階段的偽代碼如下for每一條音頻文件d獲取文件的路徑path，標(biāo)簽label加載音頻文件wav=librosa.load(path)去除靜音wav=librosa.effects.split(wav)設(shè)置標(biāo)準(zhǔn)語音長度wav_len=3iflen（wav）>wav_len在0~len（wav）-wav_len中產(chǎn)生隨機(jī)數(shù)rwav=wav[r:wav_len+r]elsewav=wav.extend（np.zeros()）預(yù)加重emphasized_signal=np.append（audio[0],audio[1:]-pre_emphasis*audio[-1]）分幀定義幀長wlenif語音信號長度<wlen幀數(shù)定為1else幀數(shù)=int（np.ceil（（1.0*語音信號長度-wlen+inc）/inc））得到幀信號frames=pad_signal[indices]加窗signal.hamming（）（二）特征提取語音特征提取，也就是將語音中能表達(dá)出人物個性的特征進(jìn)行數(shù)字化，使得計算機(jī)能夠理解，通過語音特征的提取得到一個特征參數(shù)，該特征參數(shù)能從一定程度上反應(yīng)說話人在語音方面的特點(diǎn)，并能在一定程度上摒棄一些干擾信息。在特征提取過程中，要做到盡可能多地保留對說話人識別有重要意義的語音信息，摒棄那些對分類無用的或多余的信息，精簡特征參數(shù)的矢量序列。當(dāng)前在說話人識別技術(shù)中最常用的語音特征是MFCC。人耳是一個非常成功的說話人識別系統(tǒng)，能夠有效地提取說話人的個性特點(diǎn)，并極大地消除噪音對識別過程中的影響。MFCC是研究人員依據(jù)人耳構(gòu)造與感知機(jī)制而提出的一種聲學(xué)特征，同人耳一樣，具有非常突出的抗干擾能力[10]。對于不同頻率的語音信號，人耳的反應(yīng)能力、靈敏度是不同的，對于明顯的聲音，人耳的反應(yīng)更敏感，對于不明顯的聲音，人耳的反應(yīng)會遲鈍一些，因此當(dāng)同時有兩種或多種語音信號出現(xiàn)時，響度大的語音信號會在一定程度上影響響度小的語音信號的接收。MFCC正是考慮了人類的聽覺特性，將聲波的線性頻率轉(zhuǎn)化為基于人耳特性的非線性頻率--Mel頻率，轉(zhuǎn)化公式如式6所示，其中f表示聲波的線性頻率。mel（式6）圖10為MFCC提取過程，圖10中，將經(jīng)過預(yù)處理操作得到的語音幀通過快速傅里葉變換（fastFouriertransform，F(xiàn)FT），得到每一幀在頻譜圖上的能量分布，能量分布體現(xiàn)了每個說話者語音的特性，將頻譜圖按照時間先后順序累積起來就可以得到聲譜圖；再通過Mel濾波器的簡化特征和過濾多余信息，將聲譜圖的這些信號的頻率轉(zhuǎn)換到人耳所能感知到的頻率，得到Mel頻譜，這樣過濾后得到的Mel頻譜更符合人耳的聽覺特性；接著在Mel頻譜上進(jìn)行對數(shù)運(yùn)算將其轉(zhuǎn)換成梅爾能量譜，可以有效地降低環(huán)境中的因素對語音信號識別能力的影響；最終對上一步的輸出作離散余弦變換（DiscreteCosineTransform，DCT）轉(zhuǎn)換為倒譜域，得到MFCC系數(shù)。圖10MFCC提取過程本文通過librosa.feature.melspectrogram()將語音數(shù)據(jù)轉(zhuǎn)換成梅爾頻譜，再將梅爾頻譜保存在TFRecord格式的文件中。由于訓(xùn)練集和測試集的音頻數(shù)據(jù)散列存儲在磁盤空間中，不僅占用磁盤空間，并且在依次讀取文件時很耗時、過程繁瑣。TFRecord由于其內(nèi)部的獨(dú)特的二進(jìn)制編碼方式，其占用的內(nèi)存空間很少，往往只需加載少量的幾個文件便能獲取全部的音頻數(shù)據(jù)信息。使用TFRecord文件簡單、加載數(shù)據(jù)快速，對具有大型數(shù)據(jù)集的模型訓(xùn)練過程很友好，而且語音數(shù)據(jù)往往具有小而多的特點(diǎn)，最好的方法就是把這些音頻文件生成TFRecord，加快訓(xùn)練速度。（三）訓(xùn)練模型本系統(tǒng)采用ResNet50模型，該模型是一個50層的殘差神經(jīng)網(wǎng)絡(luò)模型，是一個用于圖像分類的簡單、高度模塊化的網(wǎng)絡(luò)結(jié)構(gòu)。表1為常見的殘差網(wǎng)絡(luò)模型結(jié)構(gòu)。ResNet50第一層為7*7*64的卷積層，然后是3+4+6+3=18個bottleneckblock，每個block都由3層組成，所以一共有18*3=48層。最后加上一個全連接層（FullyConnectedLayer），所以總共為1+1+48=50層。

表1常見的殘差網(wǎng)絡(luò)模型LayernameOutputsize18-layer34-layer50-layer101-layerconv1112*1127*7,64,stride2conv2_x56*563*3maxpool,stride23?3,643?3,641?1,641?1,64conv3_x28*283?3,1283?3,1281?1,1281?1,128conv4_x14*143?3,2563?3,2561?1,2561?1,256conv5_x7*73?3,5123?3,5121?1,5121?1,5121*1averagepool,1000-dfc,softmaxFLOPS1.8*1093.6*1093.8*1097.6*10950層的ResNet包括了5中參數(shù)不同的卷積階段，在第一階段，進(jìn)入第一個卷積層，該層負(fù)責(zé)特征的抽取，該層具有64個大小為7*7的卷積核，卷積核的步長為2，使得圖像的長寬降低為原先的1/2；在第二階段，先經(jīng)過一個最大池化層，步長為2，使得特征圖的尺寸下降一半，之后是三個bottleneckblock塊，每個bottleneckblock是由3層組成的堆棧，每個bottleneck里面包含兩種block，一種是卷積塊（convblock），一種是恒等塊（identityblock），圖11是卷積塊的圖形，是虛線連接的三層，這三層分別是1*1、3*3和1*1卷積，1*1的卷積核主要用來對圖像的降維和恢復(fù)維度，3*3的卷積操作用來提取特征。圖12是恒等塊的圖形，實(shí)線連接，在恒等塊中，不需要經(jīng)過卷積網(wǎng)絡(luò)降維，直接將輸入加到最后的1*1卷積輸出上。在第三、四、五階段，每個塊的第一個卷積，即conv3_1、conv4_1、conv5_1，通過步長為2的卷積核使得輸入圖形的尺寸下降為原來的一半，再依次通過剩下的bottleneckblock。網(wǎng)絡(luò)模型的最后是平均池化層和帶有softmax的1000路全連接層。圖11卷積塊圖12恒等塊訓(xùn)練時，每次從數(shù)據(jù)集中讀取一批（32條）數(shù)據(jù)，每條數(shù)據(jù)循環(huán)訓(xùn)練100次，使用的權(quán)重為之前訓(xùn)練好的權(quán)重，采用最大池化層，將include_top設(shè)為false表示不保留頂層的全連接網(wǎng)絡(luò)，自定義全連接層，全連接的神經(jīng)元個數(shù)units為855，即訓(xùn)練集中的說話人個數(shù)，并且使用softmax作為全連接層的激活函數(shù)。softmax激活函數(shù)應(yīng)用于多類分類且類別之間互斥的問題，將多個神經(jīng)元的輸出映射到（0,1）區(qū)，輸出結(jié)果為屬于各個分類的概率，并且保證輸出神經(jīng)元之和為1.0，這樣可以很直觀地比較各輸出的值并選擇其中最大的值對應(yīng)的分類作為最終的分類結(jié)果。Softmax激活函數(shù)的公式如式7所示，其中aj表示經(jīng)過softmax函數(shù)后的第j個輸出值，zj表示第j個結(jié)點(diǎn)的輸出值，k為分類數(shù)。aj本系統(tǒng)選用的損失函數(shù)為交叉熵?fù)p失函數(shù)[11]categorical_crossentropyloss，損失函數(shù)能夠用來估計模型預(yù)測的值與真實(shí)值之間的差距，以便及時對模型參數(shù)進(jìn)行合適的調(diào)整，最理想的情況是預(yù)測值剛好等于真實(shí)值。交叉熵的值越小，表示通過模型預(yù)測的值與真實(shí)值越接近，利用訓(xùn)練集對模型訓(xùn)練的效果越好。交叉熵?fù)p失函數(shù)在多分類模型中的表達(dá)式如式8所示，m表示一個批次的樣本個數(shù)，p表示期望輸出，q表示實(shí)際可能輸出期望p的概率。C=?1交叉熵?fù)p失函數(shù)在多分類任務(wù)的應(yīng)用中很常見，交叉熵描述了兩個概率之間分布的差異，是基于概率分布的損失函數(shù)，因此在多分類模型中，常常使用到softmax激活函數(shù)+交叉熵?fù)p失函數(shù)的組合方式，softmax激活函數(shù)能夠?qū)⒕W(wǎng)絡(luò)最后一層輸出的向量進(jìn)行“歸一化”處理成概率分布的形式，使其多個分類的預(yù)測值，即各個神經(jīng)單元的輸出值，加起來和為1，再采用交叉熵?fù)p失函數(shù)計算loss。利用dropout正則化方法隨機(jī)選取一部分結(jié)點(diǎn)進(jìn)行訓(xùn)練達(dá)到減小測試誤差的效果。它的實(shí)現(xiàn)方法是在每一次迭代時，隨機(jī)選出一部分神經(jīng)元不參與訓(xùn)練的工作，只利用剩下的結(jié)點(diǎn)進(jìn)行訓(xùn)練。由于每次停止工作的結(jié)點(diǎn)是隨機(jī)的，因此一是每次迭代訓(xùn)練的網(wǎng)絡(luò)是不同的，不同的網(wǎng)絡(luò)產(chǎn)生的過擬合現(xiàn)象以及模型過擬合程度很可能是不同的，甚至可能產(chǎn)生一些互補(bǔ)的過擬合現(xiàn)象，因此最后取平均時有可能讓一些“相反”的過擬合互相抵消從而使模型整體上過擬合程度降低，二是降低了結(jié)點(diǎn)之間的關(guān)聯(lián)性和模型的復(fù)雜度，模型中權(quán)值的更新不再依賴于固定結(jié)點(diǎn)之間的作用，而是與不同層次的多個結(jié)點(diǎn)的共同作用有關(guān)，，即使丟失特定的線索，模型也可以從眾多其他線索中學(xué)習(xí)共同的特征，而不會太依賴于某些局部的特征。圖13為dropout之前與之后的對比圖。tf.keras.layers.Dropout的參數(shù)設(shè)置為0.5，表示每一次迭代保留50%的結(jié)點(diǎn)。圖13dropout之前與之后的對比設(shè)置L2正則化器來降低權(quán)重緩解過擬合現(xiàn)象，使函數(shù)變得更平緩。過擬合是分類器對訓(xùn)練集的特征過于熟悉，它能夠?qū)τ?xùn)練集進(jìn)行完全正確的分類，使得它的分類規(guī)則過于嚴(yán)格，從而導(dǎo)致對任何與訓(xùn)練數(shù)據(jù)稍有不同的數(shù)據(jù)分類錯誤，在測試集上的分類效果大大降低。過擬合發(fā)生時，訓(xùn)練集中的大多數(shù)的樣本點(diǎn)都能被考慮到，最終形成的擬合函數(shù)圖像十分曲折，函數(shù)波動大，在某些很小的區(qū)間里，函數(shù)的變化率很大，即函數(shù)的系數(shù)值非常大，輸入值的微小變化都會導(dǎo)致函數(shù)值很大幅度上的增加或減少，可見模型中的權(quán)重w很大。L2正則化器通過在目標(biāo)函數(shù)后面添加一個系數(shù)的懲罰項(xiàng)，當(dāng)模型的某個權(quán)重的權(quán)值太大時對其進(jìn)行懲罰，并且鼓勵較小數(shù)值的參數(shù)來訓(xùn)練模型，這樣訓(xùn)練出的擬合函數(shù)較為平緩，能夠有效地處理分類問題，同時能夠防止系數(shù)過大從而讓模型變得復(fù)雜。加入目標(biāo)函數(shù)的正則化項(xiàng)如式9所示。Jw，bλ2m是一個常數(shù)，其中m為樣本個數(shù)，λΩw與未加懲罰項(xiàng)的目標(biāo)函數(shù)相比，對權(quán)重取偏導(dǎo)，多了一項(xiàng)λmw→w?η?J優(yōu)化方法使用Adam，其中一個很重要的參數(shù)為學(xué)習(xí)率，它決定了模型的學(xué)習(xí)進(jìn)度、模型是否能收斂以及何時收斂到最小值。如果學(xué)習(xí)率設(shè)置過小，收斂的速度降低，整個收斂過程將會變得十分漫長，優(yōu)化的效率降低，并且容易出現(xiàn)過擬合現(xiàn)象，如果學(xué)習(xí)率設(shè)置過大，模型參數(shù)更新過快，極易受到異常數(shù)據(jù)的影響，并且模型的梯度可能會在最小值附近來回震蕩甚至可能無法正常收斂。本文設(shè)置的學(xué)習(xí)率初值為0.001。訓(xùn)練模型的偽代碼為：對每一條語音數(shù)據(jù)的梅爾頻譜sound利用model(sound)計算模型輸出的prediction根據(jù)交叉熵?fù)p失函數(shù)tf.keras.losses.sparse_categorical_crossentropy計算損失值根據(jù)tf.keras.metric.sparse_categorical_accuracy計算準(zhǔn)確率根據(jù)損失值更新梯度tape.gradient(train_loss,model.trainable_variables)使用優(yōu)化器optimizer.apply_gradients()更新梯度每訓(xùn)練200個batch執(zhí)行一次測試和保存模型，包括預(yù)測模型和網(wǎng)絡(luò)參數(shù)（四）聲紋對比聲紋對比用來實(shí)現(xiàn)兩個音頻數(shù)據(jù)的比較，判斷其是否屬于同一個人。首先加載數(shù)據(jù)函數(shù)load_data()來加載需要進(jìn)行對比的音頻數(shù)據(jù)。識別的過程為，選擇兩個音頻文件作為輸入，對這兩個文件均進(jìn)行去除靜音、預(yù)處理操作，再獲取二者的語譜圖作為模型的輸入，利用訓(xùn)練好的模型得到他們的特征數(shù)據(jù)feature，通過二者的特征數(shù)據(jù)feature，求得對角余弦值，得到的結(jié)果作為二者的相似度。本系統(tǒng)將相似度的閾值設(shè)為0.7，即若二者的對角余弦值大于0.7，即可判斷這兩個音頻數(shù)據(jù)屬于同一人。加載數(shù)據(jù)函數(shù)load_data()和獲取特征值偽代碼如下：獲取音頻文件wav=librosa.load（path）對音頻文件去除靜音、預(yù)處理、轉(zhuǎn)化成語譜圖去除靜音wav=librosa.effects.split（wav）預(yù)加重、分幀、加窗將音頻文件轉(zhuǎn)換成語譜圖ps=librosa.feature..melspectrogram(y=wav)利用訓(xùn)練好的模型獲取特征值feature=intermediate_layer_model.predict(ps)聲紋對比偽代碼如下：獲取要預(yù)測的兩個人的音頻文件

person1=load_data(path1)

person2=load_data(path2)獲取特征值

feature1=infer(person1)[0]

feature2=infer(person2)[0]計算feature1，feature2的對角余弦值并作為二者相似度dist

if對角余弦值dist>閾值:

判斷二者為同一個人，相似度為dist

else:

判斷二者不為同一個人，相似度為dist（五）測試模型測試集來源于FreeSTChineseMandarinCorpus，其中包含855個說話人，每個說話人包含5條語音數(shù)據(jù)。測試階段，首先通過load_audio()加載音頻庫，音頻庫從測試集中選取的部分?jǐn)?shù)據(jù)，可以將音頻庫視為已經(jīng)注冊的用戶，可見注冊用戶的集合和真正進(jìn)行測試用戶的集合是不完全相同的，本系統(tǒng)是基于開集合實(shí)現(xiàn)的說話人系統(tǒng)；利用訓(xùn)練好的模型分類層的上一層，獲取音頻庫中每一條語音的特征數(shù)據(jù)feature，并將所有人的標(biāo)簽和特征feature對應(yīng)存放在person_name，person_feature兩個數(shù)組中；對于每一條待測試的語音數(shù)據(jù)，通過recognition()獲得預(yù)測后的標(biāo)簽name和相似度p，recognition（）函數(shù)的實(shí)現(xiàn)方式為：首先利用模型最后的分類層的上一層獲取該待測語音的特征數(shù)據(jù)feature，將該特征數(shù)據(jù)與person_feature中的每一個數(shù)據(jù)進(jìn)行求對角余弦值，選取對角余弦值最大那個feature對應(yīng)的name，該求得的對角余弦值也為待測語音與name對應(yīng)說話人之間的相似度；利用recognition()獲得的標(biāo)簽name和相似度p。若p大于0.7且預(yù)測標(biāo)簽name與原name相同，表示預(yù)測成功，correct_sum加1，若p大于0.7但是預(yù)測標(biāo)簽name與原name不同，表示該語音被錯誤識別為另一個人，wrong_accept加1，若p小于0.7且預(yù)測標(biāo)簽與原name相同，表示該語音未被成功識別，wrong_refuse加1，若p小于0.7且預(yù)測標(biāo)簽與原name也不相同，表示系統(tǒng)能正確識別出該語音不屬于已加載的音頻庫中的任意一條語音所對應(yīng)的說話人，即能正確拒絕該語音，refuse_sum加1。聲紋識別偽代碼如下：加載音頻庫階段：對訓(xùn)練集中的每一條語音將路徑path的后8位字符作為標(biāo)簽存儲到person_name數(shù)組獲取特征值feature存儲到person_feature數(shù)組測試階段：對測試集每一條語音將路徑path的后8位字符作為標(biāo)簽name，獲取特征值feature對person_feature中的每一個值i比較i與feature的對角余弦值，并將最大的對角余弦值賦值給p，所對應(yīng)的name賦值給predict_nameifp>給定閾值且predict_name==name識別正確數(shù)量加1ifp>給定閾值且predict_name!=name錯誤接受數(shù)量加1ifp<給定閾值且predict_name==name錯誤拒絕數(shù)量加1ifp<給定閾值且predict_name!=name正確拒絕數(shù)量加1（六）評價指標(biāo)與結(jié)果分析聲紋識別中對模型的性能評價標(biāo)準(zhǔn)有很多，如模型訓(xùn)練時間、訓(xùn)練語音長度