声纹技术（三）：声纹识别技术

3.1　声纹识别：声纹技术的核心

3.1.1　名称与概念

广义上讲，声纹技术是一个宽泛的概念，其包含了许多不同的技术及应用。在所有这些技术中，声纹识别技术是其他技术的基础。无论是第5 章将要介绍的声纹分割聚类技术，还是第6 章将要介绍的基于声纹的语音合成、人声分离及语音活动检测等，都离不开与声纹识别模型的协同工作，其中的声纹识别模型既可以是事先预训练好的（pre-trained），也可以是联合训练（joint training）得到的。因此，本章也是本书最重要、最核心的章节。

声纹识别，也称为说话人识别，在英文中对应若干种说法，例如voice recognition、speaker recognition、voiceprint recognition、talker recognition 等都是同一个概念，也就是把不同说话人的语音，按照说话人身份区分开来的技术。

这里要注意将声纹识别与语音识别（speech recognition）技术进行区分。语音识别是将语音信号识别为文本内容的技术，在绝大多数情况下不会关心说话人的身份是谁，并需要做到对不同说话人声音的稳健性[1]。而声纹识别技术——尤其是文本无关的声纹识别技术——则与之相反，需要在不同的文本内容中稳健地识别出说话人的身份。由此可以看出，语音识别与声纹识别在某种意义上被视为两个相互“正交”的问题：语音识别希望从信号中滤除与说话人身份相关的信息，只保留文本信息；而声纹识别希望从信号中滤除与文本相关的信息，只保留说话人的身份信息。

1.1 节就提到过，每个人的发