[發明專利]用于遠場和近場聲音輔助應用的利用超短語音分段進行的說話者標識

在審

• 申請號: 201880083790.0
• 申請日: 2018-12-14
• 公開（公告）號: CN111566729A
• 公開（公告）日: 2020-08-21
• 發明（設計）人: Z.沈;F.翁;G.貝;P.安基迪特拉庫爾
• 申請（專利權）人: 羅伯特·博世有限公司
• 主分類號: G10L17/02
• 分類號: G10L17/02;G10L17/10;G10L17/12
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 畢錚;申屠偉進

1.一種將說話者認證為登記用戶的方法，包括：

利用處理器檢測對應于由說話者說出的關鍵短語的輸入關鍵短語數據；

利用處理器，參照輸入關鍵短語數據和存儲在操作性地連接到處理器的存儲器中的來自登記用戶的語音的文本相關聲學說話者模型，計算文本相關分數；

利用處理器，參照輸入關鍵短語數據以及存儲在存儲器中的來自登記用戶的語音的文本無關聲學說話者模型，計算文本無關分數；

利用處理器，參照文本相關分數和文本無關分數，計算針對將說話者認證為登記用戶的置信度分數；

當置信度分數指示輸入關鍵短語數據對應于來自登記用戶的語音時，將說話者認證為登記用戶；以及

當置信度分數指示輸入關鍵短語數據不對應于來自登記用戶的語音時，拒絕將說話者認證為登記用戶。

2.根據權利要求1所述的方法，其中文本相關模型是使用梅爾頻率倒譜系數（“MFCC”）的群組形成的隱馬爾可夫模型（“HMM”），所述梅爾頻率倒譜系數從與由登記用戶對關鍵短語的發聲相對應的所登記關鍵短語數據中提取，每個群組對應于如登記用戶講出的關鍵短語的個別部分。

3.根據權利要求2所述的方法，其中：

檢測輸入關鍵短語數據包括：

將輸入音頻數據的一部分分離成預定分段；

利用處理器提取指示每個分段內存在的人類語音特征的MFCC；并且

計算文本相關分數包括：

使用HMM生成對應于關鍵短語的MFCC；以及

將維特比算法應用于從輸入音頻數據的所述部分中提取的MFCC和利用HMM生成的MFCC。

4.根據權利要求1所述的方法，其中檢測輸入關鍵短語數據包括：

將輸入音頻數據的一部分分離成預定分段；

利用處理器提取指示每個分段內存在的人類語音特征的梅爾頻率倒譜系數（“MFCC”）；

將所提取的MFCC與對應于來自存儲在存儲器中的通用背景模型（“UBM”）的關鍵短語的MFCC進行比較；以及

基于所述比較來確定輸入音頻數據的所述部分包括關鍵短語的發聲。

5.根據權利要求4所述的方法，其中計算文本相關分數包括：

使用文本相關模型來生成對應于關鍵短語的MFCC；

基于所提取的MFCC和利用文本相關模型生成的MFCC計算原始文本相關分數；以及

從原始文本相關分數中減去文本相關模型的特定于說話者的閾值偏差，其中文本相關模型的特定于說話者的閾值偏差基于對利用文本相關模型生成的MFCC和對應于來自與登記用戶性別匹配的UBM的關鍵短語的MFCC的比較。

6.根據權利要求5所述的方法，其中計算文本無關分數包括：

使用文本無關模型生成對應于關鍵短語的MFCC；

基于所提取的MFCC和利用文本無關模型生成的MFCC計算原始文本無關分數；以及

從原始文本無關分數中減去文本無關模型的特定于說話者的閾值偏差，其中文本無關模型的特定于說話者的閾值偏差基于對利用文本無關模型生成的MFCC和對應于來自與登記用戶性別匹配的UBM的關鍵短語的MFCC的比較。

7.根據權利要求4所述的方法，進一步包括：

利用處理器對輸入音頻數據應用遠場增強。

8.根據權利要求1所述的方法，進一步包括：

利用處理器將檢測到的輸入關鍵短語數據與存儲在存儲器中的對應于多個登記用戶的所登記關鍵短語數據進行比較；

計算每個登記用戶的可能性分數，每個可能性分數指示檢測到的輸入關鍵短語數據與每個登記用戶的對應所登記關鍵短語數據之間的相似度；以及

選擇具有與檢測到的輸入關鍵短語數據具有最高相似度的所登記關鍵短語數據的登記用戶，作為說話者的可能標識。

9.根據權利要求1所述的方法，其中置信度分數被計算為文本相關分數和文本無關分數的線性組合。