[發(fā)明專利]一種聲紋鑒權訓練方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201811336977.5
• 申請日: 2018-11-12
• 公開（公告）號: CN109243466A
• 公開（公告）日: 2019-01-18
• 發(fā)明（設計）人: 毛海濤;鮑捷;呂春;王明;陰陶;戴榮
• 申請（專利權）人: 成都傅立葉電子科技有限公司
• 主分類號: G10L17/04
• 分類號: G10L17/04;G10L17/18;G10L17/02
• 代理公司: 成都誠中致達專利代理有限公司 51280
• 代理人: 曹宇杰

一種聲紋鑒權訓練方法及系統(tǒng)，方法包括：加載音頻配置文件，對訓練需要的音頻文件及標準文件進行數(shù)據(jù)配置和確認；加載訓練模型參數(shù)；構建基于神經網絡的訓練模型，作為語音識別的訓練特征，并完成模型加載；將完成的配置數(shù)據(jù)加載輸入訓練模型；進行模型訓練：使用HE來初始化神經網絡的權重；訓練后輸入SOFTMax分類器進行處理，通過ResCNN進行神經網絡訓練；通過余弦相似性實現(xiàn)三元組損失函數(shù)進行訓練評估；基于歸一化處理數(shù)據(jù)評估的標準；生成聲紋識別的聲紋庫并保存。系統(tǒng)包括音頻配置模塊、參數(shù)加載模塊、模型構建模塊、數(shù)據(jù)輸入模塊、模型訓練模塊、存儲模塊。識別精度高達到94.45％，相比于傳統(tǒng)的i?vector方法，準確率提高了近30％。

技術領域

本發(fā)明涉及生物識別技術，尤其涉及聲紋識別，具體來說，尤其與一種利用深度學習方法的聲紋鑒權訓練方法及系統(tǒng)。

背景技術

傳統(tǒng)的方法i-vector方法認為說話內容可以被分為兩個部分，一個部分依賴于說話者和信道可變性，另一個部分依賴于其它的相關因素。i-vector聲紋識別是一個多步過程，其涉及到使用不同說話者的數(shù)據(jù)來估計一個通用的背景模型，通常是高斯混合模型，收集充分的統(tǒng)計數(shù)據(jù)，提取i-vector，最后使用一個分類器來進行識別任務。傳統(tǒng)的方法i-vector方法，業(yè)界的聲紋識別率處于70％左右，且與文本相關。

發(fā)明內容

本發(fā)明提供一種與文本無關的聲紋識別手段，具體是一種利用深度學習方法的聲紋鑒權訓練方法及系統(tǒng)，通過構建神經網絡，使用SOFTMax分類和基于余弦相似性的三元組損失進行訓練評估，識別精度高達到94.45％，相比于傳統(tǒng)的i-vector方法，準確率提高了近30％。

本發(fā)明采用以下技術：

一種聲紋鑒權訓練方法，其特征在于，包括以下步驟：

加載音頻配置文件，對訓練需要的音頻文件及標準文件進行數(shù)據(jù)配置和確認；

加載訓練模型參數(shù)，參數(shù)包括訓練集大小、訓練的幀數(shù)和音頻語譜圖；

構建基于神經網絡的訓練模型，作為語音識別的訓練特征，并完成模型加載；

將完成的配置數(shù)據(jù)加載輸入訓練模型；

進行模型訓練：

通過預訓練來初始化神經網絡的權重，初始化采用HE初始化；

通過分類器進行處理，分類器采用sofmax多類分類器；

通過余弦相似性的三元組損失函數(shù)進行評估；

通過歸一化處理使評估數(shù)據(jù)標準化，歸一化采用L2-NOMARL；

生成聲紋識別的聲紋庫并保存。

進一步，所述訓練模型參數(shù)，包括訓練集大小、訓練的幀數(shù)和音頻語譜圖。

進一步，所述訓練集大小，是每個訓練樣本對應一段語音的連續(xù)語譜圖的時長。

進一步，所述音頻語譜圖，使用的是維度為(32,32,3)的偽圖相。

進一步，所述神經網絡為ResCNN神經網絡的參數(shù)為：卷積塊Conv 3×3、濾波器的尺寸3×3、兩個方向上的零填充1、連續(xù)跨步1×1參數(shù)化。

一種聲紋鑒權訓練系統(tǒng)，其特征在于，包括：

音頻配置模塊，用于加載音頻配置文件，對訓練需要的音頻文件及標準文件進行數(shù)據(jù)配置和確認；

參數(shù)加載模塊，用于加載訓練模型參數(shù)；

模型構建模塊，用于構建基于神經網絡的訓練模型，作為語音識別的訓練特征，并完成模型加載；

數(shù)據(jù)輸入模塊，用于將音頻配置模塊完成的配置數(shù)據(jù)加載輸入訓練模型；