CN104575504A - 采用声纹和语音识别进行个性化电视语音唤醒的方法 - Google Patents

Abstract

本发明采用声纹和语音识别进行个性化电视语音唤醒的方法，具体指一种通过声纹识别进行电视机使用用户的身份确认，并通过确认的身份和对用户语音的语音识别结果来控制电视机进行个性化的语音唤醒，涉及声纹识别和语音识别技术。本发明构成系统包括语音控制系统(1)，信息存储单元(2)和电视机主控制器(3)以电信号方式连接组成。本发明具有训练时间短，声纹和语音识别速度都很快，且识别率高的特点。声纹和语音识别均仅需离线训练和测试就可完成，无需发送到云端服务器，使用方便且保证了家庭信息的安全性。还可应用于电视机的用户个性化自动语音换台，同时可被移植到通用的DSP高速处理器或芯片上运行，能广泛应用于智能家居相关领域。

Description

采用声纹和语音识别进行个性化电视语音唤醒的方法

技术领域

本发明涉及声纹识别和语音识别技术，通过声纹识别进行电视机使用用户的身份确认，并通过确认的身份和对用户语音的语音识别结果来控制电视机进行个性化的语音唤醒。

背景技术

近年来，随着智能语音处理技术、互联网和云计算技术的快速发展，目前市面上出现的智能电视大部分都开始支持简单的语音操作，如进行音量调节，资源搜索等，同时电视语音助手等应用也开始出现。但由于中国各地的方言种类多、同音字多、各地方言的语音语调的不同、周围环境噪声等因素造成语音识别的准确率很低，电视无法执行用户语音命令的现象时常出现。因此，对消费者来说，目前的语音电视在一定程度上并不能满足其各项需求。同时，这些人机语音交互功能大多需要通过云端计算来完成，存在一定的安全隐患。

现在几乎每个家庭都拥有一台或几台电视机，但一台电视通常会被几位家庭成员使用，特别是放置在客厅的电视，而每位家庭成员对电视节目频道的喜好却不尽相同，这时在打开电视后通常需要用遥控器对电视节目频道进行遍历切换以找到自己最喜欢的频道，非常不方便且繁琐。

发明内容

为解决现有技术的不足，本发明提供一种采用语音进行个性化电视唤醒的实现方法，能够对用户语音采用声纹识别和语音识别，实现对用户的身份进行监测并使用非常简单的唤醒词就能唤醒电视打开其最喜欢的电视频道。

众所周知，声纹识别又称说话人识别，是生物识别技术的一种，声纹识别和语音识别均属于智能语音处理技术的范畴。具体是将说话人语音信号中的声纹特征参数与训练好的声纹模型进行模式匹配从而自动进行说话人身份确认或辨认的技术。语音识别是通过模式识别和语言理解将语音信号中包含的文字信息提取出来的技术，主要包括特征提取、声学模型和语言模型训练、解码技术等。

本发明具体实现步骤如下：

A.个性化信息注册

采用声纹识别系统建立用户的声纹模型，采用语音识别系统识别出用户最喜爱的电视频道信息。

B.信息存储

将用户声纹模型和最喜爱的电视频道信息进行关联并存储到电视机信息存储单元。

C.语音唤醒

用户只需对电视机的语音采集单元说出预先设定的唤醒词，即可根据声纹识别和语音识别系统对唤醒词的声纹和语音识别结果从电视机信息存储单元中调出用户的个性化信息，自动完成打开电视并自动切换到用户最喜爱的电视频道。

以上所述的采用声纹和语音识别进行个性化电视语音唤醒的方法，其特点是，所述步骤A、步骤B，在用户作第一次操作时完成，以后只需操作步骤C，即可完成其个性化语音电视的唤醒。

当用户对电视频道的喜好发生改变时，通过重新执行步骤A，进行用户个性化信息注册，对信息存储单元中的电视频道信息进行更新，此时无需进行声纹建模，仅需进行声纹匹配和语音识别。

由于本发明使用了声纹识别技术，很容易对不同用户建立起其对应的声纹密钥(声纹模型)，通过不同用户声纹密钥的唯一性实现对其喜爱的电视频道信息进行关联和保护，进而实现具有用户个性化的电视语音唤醒功能。

本发明与现有技术相比，具有以下特点：

第一、用户只需张嘴说简单的唤醒词，如“hello电视”就能自动打开电视并立即切换到自己最喜欢的电视台节目频道，无需再手动开机遥控，给用户带来智能、时尚的应用体验。

第二、个性化注册时的声纹识别性能与所说的文本和使用的语言无关，方便使用。

第三、用声纹作为密码，简单的电视频道代码和唤醒词语音作为交互方式，因此语音识别系统仅需实现简单的关键词识别即可，识别速度快，且声纹识别和语音识别仅需离线训练和测试就可完成，无需发送到云端服务器，使用方便且保证了家庭信息的安全性。

第四、可设置多位用户的个性化语音开机信息，除唤醒功能外，同时也可用于个性化自动语音换台。

第五、本发明的算法实现模块具有很好的可移植性和可扩展性，可被移植到有线电视的机顶盒、通用的DSP高速处理器或芯片上运行，能广泛应用于智能家居相关领域。

附图说明

图1为本发明采用声纹和语音识别进行个性化电视语音唤醒的方法系统组成框图；

图2为本发明实施例用户个性化信息注册系统流程图；

图3为本发明实施例个性化语音唤醒电视的流程图。

具体实施方式

以下结合附图和实施例对本发明作进一步的描述

本发明构建了一套采用声纹和语音识别进行个性化电视语音唤醒的系统(如图1所示)，该系统包括用于用户个性化信息注册、唤醒词识别和声纹匹配的语音控制系统1，用于接收并存储从语音控制系统1中传递来的已训练好的用户声纹模型和已识别出的电视频道信息的信息存储单元2和接收从语音控制系统1和信息存储单元中传递的控制信息，负责执行个性化电视语音唤醒操作的电视机主控制器3组成，以电信号方式连接。其中：

所述语音控制系统1由语音采集单元11，语音识别单元12和声纹识别单元13组成，其中：

所述语音采集单元11用于完成用户语音信号的采集和处理；

所述语音识别单元12用于识别用户所说的电视频道信息和唤醒词；

所述声纹识别单元13用于从用户语音中提取出代表其身份信息的声纹信息进行声纹建模和声纹匹配。

本发明的语音控制系统有二个状态按钮，即“用户注册”和“语音唤醒”。当用户需要进行个性化信息注册时开启“用户注册”，平时均处于“语音唤醒”状态，这样有利于节省电能。

下面结合附图分别介绍用户个性化信息注册过程和自动语音唤醒的具体实施方式

用户首次进行个性化信息注册时(如图2所示)实施例，需对电视机说话二次，第一次为任意文本的语音，用于声纹建模，第二次为用户自己最喜欢的电视频道信息，用于将电视频道信息与用户声纹模型进行关联。具体步骤如下：

A1.开启语音控制系1，使其处于“用户注册”状态；

A2.若用户为首次进行个性化信息注册，执行该步骤，否则转向步骤A6开始执行，用户对着电视机的语音采集单元11说话，说话内容为任意文本，持续时间至少30秒；

A3.语音采集单元11采集输入的说话人语音信号，并对其进行A/D转换，滤波处理；

A4.声纹识别单元13对经步骤A3处理后的语音信号作预处理，包括加窗分帧、预加重、端点检测，提取声纹特征参数，然后调用信息存储单元2中已有的声纹模型进行声纹匹配，若匹配成功，转向步骤A7；反之，进入下一步操作；

A5.调用声纹识别单元13对从步骤A4中提取的特征参数进行声纹模型的训练，将训练好的声纹模型存储到信息存储单2；

A6.用户对着电视机的语音采集单元11说出自己最喜欢的电视频道信息，如频道代码“3”代表湖南卫视，则说出数字“3”，转向步骤A3重新开始；

A7.语音识别单元12对语音采集单元11采集到的语音进行识别，将识别出的电视频道代码存储到信息存储单元2中并与声纹匹配成功的声纹模型进行关联；

A8.退出个性化信息注册。

当用户的电视频道喜好发生改变时，可通过重新进行个性化信息注册来更新信息存储单元2中的电视频道信息，此时只需对着电视机的语音采集单元11说出电视频道信息即可，语音控制系统1会自动从上述的步骤A6开始执行，无需对用户声纹重新建模。

自动进行个性化语音唤醒电视(如图3所示)实施例的具体步骤如下：

C1.当语音控制系统1处于“语音唤醒”开启状态时，用户对着电视机语音采集单元11说出唤醒词；

C2.语音采集单元11采集输入的说话人语音信号，并对其进行A/D转换，滤波处理；

C3.语音识别单元12对上述处理过的语音进行识别，将识别出的内容与预先设定的唤醒词进行匹配，以判断采集到的输入语音信号是否为电视机的语音唤醒指令，若匹配成功则将唤醒操作指令传递给电视机主控制器3，否则退出唤醒系统；

C4.声纹识别单元13将处理过的语音与信息存储单元2中的声纹模型进行声纹匹配，若匹配成功，则将与用户声纹模型关联的电视频道信息和唤醒操作指令输出给电视机主控制器3，否则退出唤醒系统；

C5.电视机主控制器3在成功收到语音控制系统1传递来的电视频道信息和唤醒操作指令后，执行电视开机操作并自动切换到对应用户喜爱的电视频道上。

上述提到的预先设定的特定语音唤醒词可为任意设定的词组，如“打开电视机”、“开电视”、“打开电视”、“hello电视”、“hello TV”等等。语音采集单元11可为麦克风或其他语音采集设备，用于感知周边的语音信号。

本发明涉及到的声纹识别单元13所采用的识别算法为基于总变化因子(又称为i-Vector)的说话人确认方法，其具体构建步骤如下：

一、语音信号的预处理

语音信号的预处理包括对语音信号进行预加重、加窗分帧和端点检测。对于经过A/D转换后的数字语音信号，预加重使用如下的一阶数字滤波器来提升语音信号的高频分量：

H(z)＝1-0.97z^-1

然后采用如下式的汉明窗窗函数对语音信号进行平滑，并在加窗过程中进行语音信号的分帧操作，其中N为窗的长度。

W(n)＝0.54+0.46cos[2πn/(N-1)]

对于采样率为8000Hz的语音，分帧时使用的帧长为25毫秒，帧移为10毫秒。本发明采用的是基于短时能量的端点检测法对语音信号进行端点检测，从而判断语音信号的起始点和终止点，设x(·)为通过预加重后的语音信号，则表示从语音信号的第n个点开始加窗时的短时能量E_n计算公式为：

$E_n=\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{[x\left(m\right)W(n-m)}^2=x^2\left(n\right)*W^2\left(n\right)$

二、声纹特征参数的提取

声纹特征参数的提取即从说话人的语音信号中提取出能反映其身份个性的参数。本发明使用的是39维的感知线性预测系数(Perception LinearPredictive Coefficients，PLP)，具体提取过程为：首先对上述步骤一预处理过后的语音做短时快速傅里叶变换，然后使用24阶子带的梅尔三角滤波器组进行临界频率分析，接着对得到的语音能量谱进行等响度曲线预加重用以模拟人耳的听觉感知系统对频率的敏感度，即将能量谱用如下式中的等响度曲线进行加权。

$E\left(\mathrm{\ω}\right)=\frac{({\mathrm{\ω}}^2+56.8\×{10}^6){\mathrm{\ω}}^4}{{({\mathrm{\ω}}^2+6.3\×{10}^6)}^2({\mathrm{\ω}}^2+0.38\×{10}^9)({\mathrm{\ω}}^6+9.58\×{10}^{26})}$

然后使用指数为1/15的幂函数对能量进行压缩，接下来做离散傅里叶反变换，用dubin算法计算M阶全极点模型，最后对得到的模型系数进一步转换为倒谱系数得到PLP特征参数。根据端点检测结果对采集到的信号中为语音信号之外的信号，如噪声或静音帧对应的特征参数直接丢弃。

三、声纹模型训练

本发明中的用户声纹模型训练采用的是总变化因子建模技术，该技术的目标在于对语音信号中含有的说话人身份信息和周围环境噪声、麦克风传输等信道信息变化空间进行同时建模。给定一段用户的语音，经过上述步骤一和二的处理后，其与说话人及信道相关的高斯混合模型GMM的均值超向量S表示如下：

S＝m+Tv+ε

其中m为通用背景模型的均值超向量，T矩阵为总变化空间，ε表示残差，v矢量是与当前目标说话人(用户)及信道相关的总变化因子，它是一个低维矢量，代表着当前说话人的身份信息，即用户的声纹模型。ε和v均服从高斯分布：

ε～N(0，I)

v～N(0，∑)

其中Σ为对角协方差矩阵。对于本发明而言，为了得到v，需要事先采用与电视机语音唤醒场景近似的语音数据集合，利用期望最大化算法(EM)训练得到通用背景模型，得出总变化空间和残差向量。对于任意电视用户的语音，就可利用已训练好的T，ε和m以及由用户语音构建的高斯混合模型S，求出每个用户的总变化因子，即声纹模型。

四、声纹匹配

本发明使用的基于总变化因子的声纹识别系统中，采用两个总变化因子v₁和v₂之间的余弦距离来度量两段语音中所含说话人声纹信息的匹配程度，其公式如下：

$d(v_1,v_2)=\frac{\⟨v_1,v_2\⟩}{\left|\right|v_1\left|\right|\·\left|\right|v_2\left|\right|}$

如果d值大于预先设定的门限值则认为这两段语音来自同一个说话人，声纹匹配成功，否则匹配失败。有研究结果显示，通过概率线性判别分析规整后的总变化因子的鉴别能力更强，可进一步提升声纹识别的性能，但由于本发明主要适用于家庭的电视唤醒，家庭成员数目并不多，一般为1到7之间，因此上述基于总变化因子的声纹识别算法已足以保证本发明在声纹识别方面的准确率。

下面介绍本发明中涉及到的语音识别单元所采用的语音识别算法

由于本发明主要用于电视唤醒和频道切换，用户使用时涉及到的唤醒词和用于表示电视频道信息的词语数量都非常少，因此语音识别单元中采用的语音识别算法只需一套简单的基于GMM-HMM(基于高斯混合模型的隐马尔可夫模型)识别系统即可，且训练和识别过程均采用离线方法，这样能够大大提高语音识别的速度。构建一套GMM-HMM语音识别系统主要包括声学特征参数的提取，声学模型和语言模型训练，语音解码过程。具体实现步骤如下：

一、声学特征参数的提取

由于感知线性预测系数中同时含有说话人的身份信息和语义信息，因此上述介绍的声纹识别算法中的PLP参数提取方法同样用于语音识别，但PLP参数的维数为52维，同时为了增强声学特征的区分能力，需要将52维的PLP参数进行异方差线性判别分析(Heteroscedastic Linear Discriminant Analysis,HLDA)后再用于声学模型建模和解码。

二、声学模型训练

声学模型的训练采用最大似然估计准则，需要用到期望最大化算法EM和Baum-Welch算法，前者用来处理隐马尔可夫模型中由状态序列隐变量带来的不完全数据下的训练问题，而后者用于从训练数据中高效的累积统计量，从而有效抽取模型参数更新所需要的信息。对于本发明的应用，在进行声学模型训练时，隐马尔可夫模型的状态数取5，每个状态使用一个含8个混合高斯成分的GMM模型表示，第j状态的高斯混合密度表达式如下：

$b_j\left(x\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{c}_{\mathrm{jm}}{p}_{\mathrm{jm}}\left(x\right)$

其中 $\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{c}_{\mathrm{jm}}=1,c_{\mathrm{jm}}\≥0$

$p_{\mathrm{jm}}\left(x\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{D/2}{\left|{\mathrm{\Σ}}_{\mathrm{jm}}\right|}^{1/2}}\exp \{-\frac{1}{2}{(x-{\mathrm{\μ}}_{\mathrm{jm}})}^T{\mathrm{\Σ}}_{\mathrm{jm}}^{-1}(x-{\mathrm{\μ}}_{\mathrm{jm}})\}$

M＝8表示高斯混合数目，x为任意语音帧的特征参数，D为特征的维数，c_jm，μ_jm和Σ_jm为第j状态的GMM模型中第m个高斯分量的权重，均值向量和协方差矩阵。

三、语言模型训练

目前主流语音识别所用到的语言模型绝大部分是n-元(n-gram)统计语言模型，是将词串的生成过程表示为一个词间跳转的n-1阶马尔可夫过程。训练和评价n-gram语言模型的指标为下式的模型复杂度(Perplexity)：

$H=-\underset{K\→\∞}{\min }\frac{1}{K}{\log }_2\left(P(w_1,...,w_K)\right)\≈-\frac{1}{K}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\log }_2\left(P\left(w_k\right|w_{k-1},w_{k-2},...,w_{k-N+!})\right)$

其中w₁,…,w_K为含有K个词的词序列，N为语言模型的元数，本发明中取值为2。从理论上来看，语言模型对词串的期望复杂度应尽可能小，这表示语言模型在对给定的历史词串进行当前词预测时，能拥有更高的确信度。实际上语言模型的训练准则就是使其对训练集合中句子的复杂度最小化。

四、语音解码

在给定声学模型和语言模型的情况下，解码器的好坏与语音识别的速度直接相关，从而直接决定了用户的体验。虽然本发明用来唤醒电视所用的词语有限，由它们构成的解码网络并不大，但本发明仍然推荐采用基于加权有限状态转换(WFST)的Viterbi解码技术，它可以将声学、语言模型和发音字典进行有效的整合，对输入的语音信号PLP特征参数在词网络中进行搜索和匹配，从而找到统计意义上最匹配的词串作为最终的识别结果。

上述语音识别单元中的声学模型和语言模型均可采用目前主流的开源工具HTK或者Kaldi提前训练好并存储起来，在进行语音唤醒时，仅需调用存储好的声学和语言模型，离线对采集到的用户语音进行PLP特征参数提取和解码即可。实验证明，本发明方法具有训练时间短，声纹和语音识别速度都很快，且识别率高的特点。声纹和语音识别均仅需离线训练和测试就可完成，无需发送到云端服务器，使用方便且保证了家庭信息的安全性。另外，本发明在电视关机时，电视整体处于掉电状态，即电视机主控制器、语音识别单元、声纹识别单元、信息存储单元均断电，只有语音采集单元实时采集用户的语音信号消耗电能，而该模块耗电非常少，大大节省了电能消耗。

综上所述，本发明提供的基于声纹识别和语音识别进行个性化电视语音唤醒的实现方法，能够在电视处于关机状态时，用户直接说类似于“hello电视”这样的唤醒词，电视机就可以实现直接开机并立即显示自己最喜爱的电视频道。本发明的实现方法还可应用于电视机的用户个性化自动语音换台，同时可被移植到通用的DSP高速处理器或芯片上运行，能广泛应用于智能家居相关领域。

Claims (11)

1.一种采用声纹和语音识别进行个性化电视语音唤醒的方法，通过采用声纹识别和语音识别系统，对用户的身份进行监测，实现个性化电视语音唤醒，其特征在于，包括如下步骤：

A.个性化信息注册

采用声纹识别系统建立用户的声纹模型，采用语音识别系统识别出用户最喜爱的电视频道信息；

B.信息存储

将用户声纹模型和最喜爱的电视频道信息进行关联并存储到电视机信息存储单元；

C.语音唤醒

用户只需对电视机的语音采集单元说出预先设定的唤醒词，即可根据声纹识别和语音识别系统对唤醒词的声纹和语音识别结果从电视机信息存储单元中调出用户的个性化信息，自动完成打开电视并自动切换到用户最喜爱的电视频道。

2.如权利要求1所述的采用声纹和语音识别进行个性化电视语音唤醒的方法，其特征在于，所述步骤A、步骤B，在用户作第一次操作时完成，以后只需操作步骤C，即可完成其个性化语音电视的唤醒；

当用户对电视频道的喜好发生改变时，通过重新执行步骤A，进行用户个性化信息注册，对信息存储单元中的电视频道信息进行更新，此时无需进行声纹建模，仅需进行声纹匹配和语音识别。

3.如权利要求1所述的采用声纹和语音识别进行个性化电视语音唤醒的方法的系统，其特征在于，所述系统包括用于用户个性化信息注册、唤醒词识别和声纹匹配的语音控制系统(1)，用于接收并存储从语音控制系统(1)中传递来的已训练好的用户声纹模型和已识别出的电视频道信息的信息存储单元(2)和接收从语音控制系统(1)和信息存储单元中传递的控制信息，负责执行个性化电视语音唤醒操作的电视机主控制器(3)组成，以电信号方式连接，其中：

所述语音控制系统(1)由语音采集单元(11)，语音识别单元(12)和声纹识别单元(13)组成，其中：

所述语音采集单元(11)用于完成用户语音信号的采集和处理；

所述语音识别单元(12)用于识别用户所说的电视频道信息和唤醒词；

所述声纹识别单元(13)用于从用户语音中提取出代表其身份信息的声纹信息进行声纹建模和声纹匹配。

4.如权利要求1所述的采用声纹和语音识别进行个性化电视语音唤醒的方法，其特征在于，所述步骤A个性化信息注册，具体实现步骤为：

A1.开启语音控制系统(1)，使其处于“用户注册”状态；

A2.若用户为首次进行个性化信息注册，执行该步骤，否则转向步骤A6开始执行，用户对着电视机的语音采集单元(11)说话，说话内容为任意文本，持续时间至少30秒；

A3.语音采集单元(11)采集输入的说话人语音信号，并对其进行A/D转换，滤波处理；

A4.声纹识别单元(13)对经步骤A3处理后的语音信号作预处理，包括加窗分帧、预加重、端点检测，提取声纹特征参数，然后调用信息存储单元(2)中已有的声纹模型进行声纹匹配，若匹配成功，转向步骤A7；反之，进入下一步操作；

A5.调用声纹识别单元(13)对从步骤A4中提取的特征参数进行声纹模型的训练，将训练好的声纹模型存储到信息存储单元(2)；

A6.用户对着电视机的语音采集单元(11)说出自己最喜欢的电视频道信息，如频道代码“3”代表湖南卫视，则说出数字“3”，转向步骤A3重新开始；

A7.语音识别单元(12)对语音采集单元(11)采集到的语音进行识别，将识别出的电视频道代码存储到信息存储单元(2)中并与声纹匹配成功的声纹模型进行关联；

A8.退出个性化信息注册。

5.如权利要求1所述的采用声纹和语音识别进行个性化电视语音唤醒的方法，其特征在于，所述步骤C语音唤醒，具体实现步骤为：

C1.当语音控制系统(1)处于“语音唤醒”开启状态时，用户对着电视机语音采集单元(11)说出唤醒词；

C2.语音采集单元(11)采集输入的说话人语音信号，并对其进行A/D转换，滤波处理；

C3.语音识别单元(12)对上述处理过的语音进行识别，将识别出的内容与预先设定的唤醒词进行匹配，以判断采集到的输入语音信号是否为电视机的语音唤醒指令，若匹配成功则将唤醒操作指令传递给电视机主控制器(3)，否则退出唤醒系统；

C4.声纹识别单元(13)将处理过的语音与信息存储单元(2)中的声纹模型进行声纹匹配，若匹配成功，则将与用户声纹模型关联的电视频道信息和唤醒操作指令输出给电视机主控制器(3)，否则退出唤醒系统；

C5.电视机主控制器(3)在成功收到语音控制系统(1)传递来的电视频道信息和唤醒操作指令后，执行电视开机操作并自动切换到对应用户喜爱的电视频道上。

6.如权利要求4所述的采用声纹和语音识别进行个性化电视语音唤醒的方法，其特征在于，所述步骤A5中的声纹模型的训练方法为总变化因子建模技术。

7.如权利要求6所述的采用声纹和语音识别进行个性化电视语音唤醒的方法，其特征在于，所述总变化因子建模技术，给定一段用户的语音，与说话人及信道相关的高斯混合模型GMM的均值超向量S表示如下：

S＝m+Tv+ε

其中，m为通用背景模型的均值超向量，T矩阵为总变化空间，ε为残差，v矢量是与当前目标说话人(用户)及信道相关的总变化因子，它代表着当前说话人的身份信息，即用户的声纹模型。

8.如权利要求7所述的采用声纹和语音识别进行个性化电视语音唤醒的方法，其特征在于，所述ε和v均服从高斯分布：

ε～N(0,I)

v～N(0,Σ)

其中，Σ为对角协方差矩阵，为得到v，需要事先采用与电视机语音唤醒场景近似的语音数据集合，利用期望最大化算法训练得到通用背景模型，得出总变化空间和残差向量；对于任意电视用户的语音，就可利用已训练好的T，ε和m以及由用户语音构建的高斯混合模型S，求出每个用户的总变化因子，即声纹模型。

9.如权利要求4，5所述的采用声纹和语音识别进行个性化电视语音唤醒的方法，其特征在于，所述声纹匹配，使用的是基于总变化因子的声纹识别系统，采用两个总变化因子v₁和v₂之间的余弦距离来度量两段语音中所含说话人声纹信息的匹配程度，其公式如下：

$d(v_1,v_2)=\frac{<v_1,v_2>}{\left|\right|v_1\left|\right|\&CenterDot;\left|\right|v_2\left|\right|}$

如果d值大于预先设定的门限值则认为这两段语音来自同一个说话人，声纹匹配成功，否则匹配失败。

10.如权利要求3所述的采用声纹和语音识别进行个性化电视语音唤醒的方法的系统，其特征在于，所述语音识别单元(12)声学模型训练时，隐马尔可夫模型的状态数取5，每个状态使用一个含8个混合高斯成分的高斯混合模型GMM表示。

11.如权利要求3所述的采用声纹和语音识别进行个性化电视语音唤醒的方法的系统，其特征在于，所述语音识别单元(12)的语音解码，采用将声学、语言模型和发音字典进行有效的整合，对输入的语音信号PLP特征参数在词网络中进行搜索和匹配，从而找到统计意义上最匹配的词串作为最终识别结果的基于加权有限状态转换的Viterbi解码。