[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

本發明公開了一種聲紋識別模型的訓練及聲紋識別方法、系統、設備和介質，該訓練方法包括獲取若干樣本語音，提取樣本語音的每個語音幀對應的聲學頻譜特征，獲取聲學頻譜特征對應的設定數量維度的目標幀特征，基于目標幀特征處理得到樣本語音對應的目標語音特征，基于目標語音特征獲取樣本語音對應的聲紋向量，將同一樣本語音對應的聲學頻譜特征作為輸入，對應的聲紋向量作為輸出，訓練得到聲紋識別模型；實現了有針對性的提取語音中的聲紋信息，對語音中每個語音幀的各個維度進行評估，計算語音幀的維度權重，以選擇出重要的聲紋信息，減少了聲紋識別模型的參數量和計算量，加快了模型的推理時間，提高了模型聲紋信息的提取精度和準確率。

技術領域

本發明涉及聲紋識別技術領域，尤其涉及一種聲紋識別模型的訓練及聲紋識別方法、系統、設備和介質。

背景技術

聲紋作為一種生物身份認證特征，其可以根據個人的發音習慣和語音特征來代表一個人的身份，但一句語音內容較為豐富，包含較多信息，有性別、說話人、情緒、內容等一系列信息。

語音(或稱為音頻)為時序數據，在聲學特征提取過程中以幀為單位進行提取的，而每幀特征會有多維，常見的有40維、80維、101維，維度各不相同，每幀可表示一個向量，每個向量值代表著該幀的信息，不同位置的值代表著不同維度信息，假設第一維更多的表示性別，第二維更多的表示情緒，第三幀才更多的表示聲紋。

目前在環境噪音較大的場景中，基于聲紋識別的身份驗證系統，仍然對噪音和錄音的其他冗余信息沒有較好過濾功能。目前大多采用數據增強的方式，對訓練數據進行加速、加噪等方式來增加訓練數據的多樣性來增強聲紋模型對噪音的適應性，但是其對語音維度不能剔除聲紋以外的其他性別、內容等信息。

現有的聲紋模型在提取聲學特征時，是以幀為單位進行提取的，每幀之間具有不同的重要性，有的幀可能是靜音幀或者噪音幀，有的幀才是有效幀，而每幀特征會有多個維度，每個維度代表該幀中具有的多種信息。目前針對幀的重要性，是基于神經網絡并將Attention(注意力機制，一種神經網絡處理技術)技術加入到現有聲紋模型中，計算每幀的重要性，將每幀的所有維看似一致，最終取的所有維度的平均值，而該評估方式存在無法選擇出重要的聲紋信息等問題。在提取聲紋信息時還伴隨著文本無關、旁邊人說話、環境噪聲、多方通話、聲道多變等因素，這些無疑對聲紋識別造成了更大的困難，因此如何有針對性的提取到語音中的聲紋信息，如何提高聲紋模型的準確率，成為本領域急需解決的一大問題。

發明內容

本發明要解決的技術問題是為了克服現有技術中存在聲紋模型無法及時高質量地提取到語音中的聲紋信息，聲紋模型的參數量和計算量較大，推理時間較長，聲紋模型提取聲紋信息的提取精度較低，聲紋模型的準確率較低等缺陷，提供一種聲紋識別模型的訓練及聲紋識別方法、系統、設備和介質。

本發明是通過下述技術方案來解決上述技術問題：

第一方面，提供一種聲紋識別模型的訓練方法，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。

較佳地，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。