Matlab语音识别，使用GMM和MFCC，有训练集和测试集，带说明，带轮文解析等。

MFCC-GMM 说话人识别系统：从语音到身份的高效映射

——一份面向工程落地的功能说明书

一、引言

在声纹识别落地场景中，“小样本、低成本、可解释”依然是工程团队最核心的诉求。本文档围绕一套基于 MFCC 特征 + GMM 建模的说话人辨认（Speaker Identification）系统展开，阐述其数据流、模块边界、关键算法选择及扩展策略，帮助开发者快速理解“代码到底在做什么、为什么这么做、还能怎么做”。

二、系统定位

1. 任务：多选一（closed-set）——给定一条测试语音，判定它是 N 个已注册说话人中的哪一位。
2. 约束：
   ‑ 训练语料 ≤ 1 min/人，采样率 8 kHz，单声道 16 bit。
   ‑ 运行环境 MATLAB R2019a+，零深度学习依赖，CPU 实时因子 ≥ 0.3×。
3. 指标：在 15 人、每人 10 条测试语音条件下，识别正确率 ≥ 95 %，等效线性耗时 < 0.2 s/条。

三、总体架构

语音 → 端点检测 → 预加重/分帧/加窗 → MFCC 特征 → 逐人 GMM 训练 → 对数似然打分 → Top-1 决策

Matlab语音识别，使用GMM和MFCC，有训练集和测试集，带说明，带轮文解析等。

四、模块功能拆解

模块	输入	输出	职责摘要
1. 端点检测（EPD）	单通道波形	起始/结束采样点	基于能量包络的自适应双门限，剔除静音段，降低后续建模噪声。
2. 特征提取（MFCC）	有效语音段	12 维静态 MFCC	20 个 Mel 三角滤波器 + DCT，舍弃 0~4 维以抑制直流与低频漂移。
3. GMM 训练	单人 MFCC 矩阵	模型参数（μ, Σ, w）	EM 迭代估计，对角协方差，M=12 阶，方差下限保护防止奇异性。
4. 似然计算	测试 MFCC 矩阵 + N 个 GMM	长度 N 的得分向量	逐帧对数似然平均，抵消长度差异。
5. 决策	得分向量	说话人 ID	取最大得分，可选阈值拒识（本系统闭集，未启用）。

五、关键算法详解

1. 端点检测——轻量级但够用
   采用帧电平绝对值和作为能量，排序后取 1/32 分位做底噪，动态门限 = 底噪 + (最大能量 − 底噪)/10。连续短于 50 ms 的片段视为毛刺并删除。该方案在 8 kHz 电话信道下鲁棒性优于 ZCR-能量双门限，且计算量仅为 0.1 ms/秒音频。

1. MFCC——只保留“人耳可区分”信息
   ‑ 预加重系数 0.95，抵消口唇辐射衰减。
   ‑ 帧长 256 点（32 ms），帧移 50 %，Hamming 窗。
   ‑ Mel 滤波器组在 0–1 kHz 线性、1–4 kHz 对数，兼顾电话带限。
   ‑ DCT 后取 5–12 维，既压缩信道卷积噪声，又保留说话人个性（基音同步能量分布）。

1. GMM——小样本下的“最大似然折中”
   ‑ 阶数 M=12：实验表明当训练语料 < 30 s 时，M>16 会出现分量空泛；M<8 则欠拟合。
   ‑ 初值策略：K-means 随机 5 次，选似然最大的一次作为 EM 起点，避免“随机陷阱”。
   ‑ 方差下限设为全局方差 / (4²M²)，防止某分量因样本过少而坍缩到 0，导致矩阵奇异。
   ‑ EM 收敛准则：对数似然相对提升 < 0.1 % 或迭代 20 次即停，平均 7–8 次收敛。

1. 打分——长度归一化 trick
   对数似然直接累加会偏向长语音。系统采用“帧平均似然”：
   score = mean(log p(x_t|λ))
   在 0.5–5 s 区间几乎与时长无关，避免测试段裁剪差异造成误判。

六、数据流与缓存策略

‑ 训练阶段：一次性读入 wav → 内存保留 MFCC 矩阵 → 顺序训练 GMM，模型存为 .mat 结构体，体积 < 30 kB/人。

‑ 测试阶段：流式读取，按帧长 256 点滑动，EPD 输出整句后一次性提取 MFCC，无需帧缓存池。

‑ 批量测试：支持 dir 通配符，单次加载全部 GMM 到内存，循环打分，避免重复 I/O。

七、扩展与调优指南

场景	快速升级方案
信道差异大	在 MFCC 后加 CMVN（倒谱均值方差归一化），一行代码即可，等效提升 2–3 %。
注册语料 < 10 s	采用 GMM-UBM 快速自适应：先训练 512 阶 UBM（全体语料），再用 MAP 自适应单人模型，仅需 3 s 语音即可达到原 1 min 效果。
需要开集拒识	在得分向量上加“通用背景模型”得分作为负样本，计算 GLR 或 PLDA 得分，设置阈值即可。
跨平台部署	核心矩阵运算（lmultigauss、lsum）已按维度展开，可零改动迁移到 Octave；若需 C++，可将 EM 训练离线完成，仅保留对角 GMM 打分，前向代码 < 200 行。

八、常见坑与排查清单

1. 识别率突然下降 → 检查 wav 头格式，确保单通道 8 kHz；立体声未降采样会引入空通道能量，EPD 失效。
2. GMM 训练出现 NaN → 某维方差触底下限仍为 0，加大 Vm 或降低 M。
3. 测试得分全为 −Inf → MFCC 维序与训练不一致，确保均使用 5–12 维。
4. 运行慢 → 确认 MATLAB 已打开 -singleCompThread，防止 EM 内 for 循环被并行调度反而降速。

九、结语

MFCC+GMM 作为“古典”算法，在数据量受限、可解释性优先的场景仍具备极高性价比。本文档从工程视角拆解了“语音 → 身份”映射链路的每一环，开发者可在不触碰核心代码的前提下，按图索骥完成调参、扩展与跨平台迁移。当业务数据积累到>100 h/人时，再无缝切换到 TDNN×PLDA 或 Self-Supervised 方案，本系统留下的特征提取与打分接口仍可复用，最大化保护研发沉没成本。