[發(fā)明專利]用于標記說話人的方法、裝置和電子設(shè)備

在審

• 申請?zhí)枺?/td>: 202210139621.2
• 申請日: 2022-02-15
• 公開（公告）號: CN114550728A
• 公開（公告）日: 2022-05-27
• 發(fā)明（設(shè)計）人: 劉藝;范文之;薛政;馬澤君
• 申請（專利權(quán)）人: 北京有竹居網(wǎng)絡(luò)技術(shù)有限公司
• 主分類號: G10L17/02
• 分類號: G10L17/02;G10L17/04;G10L17/14;G10L17/16;G10L25/51
• 代理公司: 泰和泰律師事務所 51219
• 代理人: 祝海燕

1.一種用于標記說話人的方法，其特征在于，包括：

獲取聲音數(shù)據(jù)幀序列，以及獲取與聲音數(shù)據(jù)幀序列中的聲音數(shù)據(jù)幀對應的聲源位置信息；

基于聲源位置信息，確定聲學模型的至少一種描述參數(shù)；

基于所述聲學模型，確定所述聲音數(shù)據(jù)幀序列的說話人標識序列，所述說話人標識序列中的說話人標識指示聲音數(shù)據(jù)幀序列中的聲音數(shù)據(jù)幀所對應的說話人。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述聲學模型為隱馬爾科夫模型。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于聲源位置信息，確定聲學模型的至少一種描述參數(shù)，包括：

基于聲源位置信息，確定聲學模型的狀態(tài)轉(zhuǎn)移概率。

4.根據(jù)權(quán)利要求1－3中任一項所述的方法，其特征在于，所述基于聲源位置信息，確定聲學模型的至少一種描述參數(shù)，包括：

基于聲源位置信息確定所述聲學模型中的狀態(tài)觀測概率。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述基于聲源位置信息，確定聲學模型的狀態(tài)轉(zhuǎn)移概率，包括：

根據(jù)聲音數(shù)據(jù)幀對應的聲源位置向量，確定聲音數(shù)據(jù)幀的聲源位置標識；

對于聲音數(shù)據(jù)幀序列中的相鄰聲音數(shù)據(jù)幀，根據(jù)相鄰聲音數(shù)據(jù)幀的聲源位置標識，確定相鄰聲音數(shù)據(jù)幀之間的轉(zhuǎn)移概率；

根據(jù)所確定的轉(zhuǎn)移概率，確定聲學模型的狀態(tài)轉(zhuǎn)移概率。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述根據(jù)聲音數(shù)據(jù)幀對應的聲源位置向量，確定聲音數(shù)據(jù)幀的聲源位置標識，包括：

將聲源位置向量中的最大向量分量所對應的聲源方向，確定為聲音數(shù)據(jù)幀的聲源位置標識。

7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述對于聲音數(shù)據(jù)幀序列中的相鄰聲音數(shù)據(jù)幀，根據(jù)相鄰聲音數(shù)據(jù)幀的聲源位置標識，確定相鄰聲音數(shù)據(jù)幀之間的轉(zhuǎn)移概率，包括：

根據(jù)相鄰聲音數(shù)據(jù)幀對應的兩個聲源位置標識，確定相鄰聲音數(shù)據(jù)幀之間的聲源位置差；

若所述聲源位置差大于預設(shè)差距閾值，則確定相鄰聲音數(shù)據(jù)幀對應的說話人轉(zhuǎn)換；

若所述聲源位置差不大于預設(shè)差距閾值，則確定相鄰聲音數(shù)據(jù)幀對應的說話人不轉(zhuǎn)換；

根據(jù)所確定的說話人是否轉(zhuǎn)換，確定不同說話人之間對應的轉(zhuǎn)移概率。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取與聲音數(shù)據(jù)幀序列中的聲音數(shù)據(jù)幀對應的聲源位置信息，包括：

對于聲音數(shù)據(jù)幀序列中的聲音數(shù)據(jù)幀，確定該聲音數(shù)據(jù)幀對應的聲源位置向量，其中，聲源位置向量中的各個分量指示聲源方向為各個預設(shè)方向的概率。

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述方法還包括：

以聲音采集設(shè)備為中心，確定至少兩個預設(shè)方向；

根據(jù)聲音采集設(shè)備接收到聲音數(shù)據(jù)幀的方向信息，確定聲源位置向量。

10.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述聲學模型，確定所述聲音數(shù)據(jù)幀序列的說話人標識序列，包括：

對聲音數(shù)據(jù)幀序列進行聚類，得到初始聚類結(jié)果，其中，所述初始聚類結(jié)果包括聚類中心和聚類中心的類簇，聚類中心指示說話人標識；

將所述初始聚類結(jié)果確定為聚類結(jié)果，以及基于聚類結(jié)果執(zhí)行第一步驟，其中，第一步驟包括：根據(jù)聚類結(jié)果，確定初始狀態(tài)分布；基于各個類簇所包括聲音數(shù)據(jù)幀，確定所述聲學模型中與說話人標識對應的狀態(tài)觀測概率；根據(jù)初始狀態(tài)分布、狀態(tài)轉(zhuǎn)移概率和所述狀態(tài)觀測概率，確定說話人標識序列；響應于預設(shè)停止條件滿足，輸出說話人標識序列；

響應于預設(shè)停止條件不滿足，根據(jù)所確定的說話人標識序列，更新聚類結(jié)果，以及基于更新后的聚類結(jié)果執(zhí)行所述第一步驟。