[發明專利]聲紋識別模型的訓練及聲紋識別方法、系統、設備和介質

在審

• 申請號: 202210633977.1
• 申請日: 2022-06-06
• 公開（公告）號: CN114822560A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 任君;羅超;王清;鄒宇
• 申請（專利權）人: 攜程旅游信息技術（上海）有限公司
• 主分類號: G10L17/02
• 分類號: G10L17/02;G10L17/04;G10L17/18
• 代理公司: 上海弼興律師事務所 31283
• 代理人: 林嵩;羅朗

1.一種聲紋識別模型的訓練方法，其特征在于，所述訓練方法包括：

獲取若干樣本語音；

提取所述樣本語音的每個語音幀對應的聲學頻譜特征；

獲取所述聲學頻譜特征對應的設定數量維度的目標幀特征；

基于所述目標幀特征處理得到所述樣本語音對應的目標語音特征；

基于所述目標語音特征獲取所述樣本語音對應的聲紋向量；

將同一所述樣本語音對應的所述聲學頻譜特征作為輸入，對應的所述聲紋向量作為輸出，訓練得到用于識別任意對象的聲紋信息的所述聲紋識別模型。

2.根據權利要求1所述的訓練方法，其特征在于，所述提取所述樣本語音的每個語音幀對應的聲學頻譜特征的步驟具體包括：

獲取所述樣本語音對應的序列向量，對所述序列向量進行預設分幀操作方式處理，以得到所述樣本語音的每個所述語音幀對應的所述聲學頻譜特征。

3.根據權利要求1所述的訓練方法，其特征在于，所述獲取所述聲學頻譜特征對應的設定數量維度的目標幀特征步驟具體包括：

對所述聲學頻譜特征進行特征提取以得到第一幀特征；

對所述第一幀特征進行通道間若干尺度信息融合以得到第二幀特征；

對所述第二幀特征進行時序還原處理以得到所述目標幀特征；

其中，所述第一幀特征與所述目標幀特征的時序和特征維度相同。

4.根據權利要求3所述的訓練方法，其特征在于，所述聲紋識別模型包括第一卷積層、Res2 block層和第二卷積層；

所述第一卷積層用于接收所述聲學頻譜特征，對所述聲學頻譜特征進行特征提取以得到所述第一幀特征，并將所述第一幀特征輸出至所述Res2 block層；

所述Res2 block層用于接收所述第一幀特征，對所述第一幀特征進行通道間若干尺度信息融合以得到所述第二幀特征，并將所述第二幀特征輸出至所述第二卷積層；

所述第二卷積層用于接收所述第二幀特征，對所述第二幀特征進行時序還原處理以得到所述目標幀特征。

5.根據權利要求4所述的訓練方法，其特征在于，所述Res2 block層包括第一Res2block子層和第二Res2 block子層；

其中，所述第一卷積層、所述第一Res2 block子層、所述第二Res2 block子層依次連接。

6.根據權利要求4或5所述的訓練方法，其特征在于，所述聲紋識別模型還包括池化層；

所述池化層用于接收所述第二卷積層輸出的所述目標幀特征，所述池化層基于注意力機制計算所述目標幀特征的所述設定數量的維度的維度權重信息，并將包含有所述維度權重信息的每個所述目標幀特征進行融合處理以得到所述目標語音特征。

7.根據權利要求6所述的訓練方法，其特征在于，所述基于所述目標幀特征處理得到所述樣本語音對應的目標語音特征的步驟具體包括：

獲取所述目標幀特征的標準差；

基于所述目標幀特征的標準差計算得到所述目標幀特征的維度權重平均值；

基于所述目標幀特征的所述維度權重平均值計算得到所述目標幀特征的維度權重標準差；

基于所述目標幀特征的所述維度權重平均值和所述維度權重標準差拼接得到所述目標語音特征。

8.根據權利要求6所述的訓練方法，其特征在于，所述聲紋識別模型還包括全連接層；

所述全連接層用于接收所述池化層輸出的所述目標語音特征，對所述目標語音特征進行全連接處理，以輸出所述聲紋向量；

和/或，所述聲紋識別模型還包括損失計算層；

所述損失計算層采用Softmax損失函數對所述聲紋向量進行處理，以優化所述聲紋識別模型。