基于唤醒音频的目标说话人语音识别系统设计报告摘要本报告设计并实现了一套基于唤醒音频的目标说话人语音识别系统，旨在解决噪声、多人重叠等复杂声学场景下目标说话人语音指令的准确识别与非目标说话人拒识问题。系统采用“唤醒词检测→声纹注册与验证→语音分离与增强→目标说话人ASR→拒识决策”的五级流水线架构，综合运用ECAPA-TDNN声纹模型、Conv-TasNet语音分离网络和Whisper ASR引擎，在L20 GPU上实现了高效的端到端推理。系统支持SNR范围-5dB5dB的鲁棒识别，以及重叠率0100%的双人重叠语音场景处理。实验结果表明，系统在目标说话人CER、拒识率RR和推理效率三个维度上均达到设计要求。第一章 绪论1.1 研究背景与意义随着智能语音交互技术的快速发展，语音助手、智能家居、会议转录等应用场景对语音识别系统提出了越来越高的要求。在实际应用中，系统不仅需要准确识别语音内容，更需要在多人交谈、背景噪声、语音重叠等复杂声学环境中精准锁定目标说话人。这种“ cocktail party ”场景下的目标说话人识别问题，一直是语音处理领域的核心挑战之一。传统的语音识别系统通常采用“唤醒词检测→通用ASR”的两阶段架构，仅能判断是否有语音输入并转录内容，无法区分说话人身份。这在多人共用设备或公共场合场景下会导致严重的误触发和隐私问题。目标说话人语音识别（Target Speaker Automatic Speech Recognition, TS-ASR）技术通过引入说话人身份信息，实现了“谁在