[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

一種說話者識別設備包括存儲器和處理器。存儲器存儲對應于由登記用戶對關鍵短語的發聲的所登記關鍵短語數據，以及登記用戶的文本相關和文本無關聲學說話者模型。處理器操作性地連接到存儲器，并且執行指令以將說話者認證為登記用戶，這包括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，使用登記用戶的語音模型計算說話者的文本相關和文本無關分數，計算置信度分數，以及基于置信度分數是否指示輸入關鍵短語數據對應于來自登記用戶的語音而將說話者認證為登記用戶或拒絕說話者作為登記用戶。

相關申請

本公開要求題為“SPEAKER IDENTIFICATION WITH ULTRA-SHORT SPEECH SEGMENTSFOR FAR AND NEAR FIELD VOICE ASSISTANCE APPLICATIONS”并且于2017年12月26日提交的美國臨時申請No.62/610,337的優先權權益，該美國臨時申請的公開內容以其整體并入本文。

技術領域

本公開總體上涉及說話者識別，并且更特別地，涉及使用超短語音分段進行的說話者識別。

背景技術

會話對話系統已經在包括家庭、移動和其它場景的廣泛應用中獲得了越來越多的認可。在會話過程期間通過使用這樣的系統來對人進行標識可以促進個性化的用戶體驗，同時保持對系統的不同水平的訪問的控制。

“說話者識別”是基于說話的人（即“說話者”）的聲音對他們進行的標識。典型的說話者識別系統通常需要來自所登記說話者的大量聲音樣本，以便提取表示說話者獨特的聲音特性的足夠統計量。聲學信號的這些特定于說話者的特性被存儲為說話者的聲學模型或聲紋。當一個人說話時，說話者識別系統通常會將這個人的聲音特征與所登記的說話者模型和表示一般人類聲音的背景模型進行比較，并且然后基于該比較來決定是否將這個人認證為登記用戶。

常規系統在要僅利用有限量的可用聲音樣本來執行認證時具有一些缺點。當有限量的聲音樣本可用時，針對說話者標識和授權進行優化的語音識別系統將是有益的。

發明內容

為了減少在對用戶進行登記時所需的語音樣本的長度和數量，本公開提出了一種系統，該系統在利用說話者識別系統將說話者認證為登記用戶時，組合了人類語音的文本相關和文本無關模型。

將說話者認證為登記用戶的示例性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。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來計算文本相關分數。處理器進一步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來計算文本無關分數。處理器附加地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。處理器在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，并且在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。

將說話者認證為登記用戶的另一示例性方法包括利用處理器檢測到音頻數據包括對應于由說話者對關鍵短語的發聲的關鍵短語數據。在一些實施例中，處理器參照關鍵短語數據以及存儲在操作性地連接到處理器的存儲器中的登記用戶的文本相關聲學說話者模型，來計算文本相關分數。處理器還參照關鍵短語數據以及存儲在存儲器中的登記用戶的文本無關聲學說話者模型來計算文本無關分數。處理器進一步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。處理器在置信度分數指示關鍵短語是由登記用戶說出的時，將說話者認證為登記用戶，并且在置信度分數指示關鍵短語不是由登記用戶說出的時，拒絕將說話者認證為登記用戶。