[发明专利]基于神经网络的语音处理

说明书

获得表示语音的特征向量对。一些对表示来自相同说话者的两个语音样本，并且其他对表示来自不同说话者的两个语音样本。神经网络利用彼此关联的两个向量的输入上的权重矩阵，将样本对中的每个特征向量馈送到单独的瓶颈层中。该神经网络使用特征向量和目标函数被训练，该目标函数诱导网络对语音样本是否来自相同说话者进行分类。来自关联的权重矩阵的权重被提取以供在生成用于语音处理系统的导出特征中使用，该语音处理系统可以受益于特征，该特征因此被变换为更好地反映说话者身份。

背景技术

计算机系统当前广泛使用。一些这样的计算机系统接收音频输入信号并执行语音处理以生成语音处理结果。

通过示例的方式，一些语音处理系统包括语音识别系统，其接收音频信号，并且通常识别音频信号中的语音并将语音转录成文本。它们还可以包括接收音频信号并对信号的各种特性(诸如说话者者身份、主题、情绪等)编制索引的音频索引系统。语音系统还可以包括语音理解(或自然语言理解)系统，其接收音频信号、识别信号中的语音、以及识别该语音的内容的解释。语音系统还可以包括说话者识别系统。这样的系统接收音频输入流并标识在音频流中说话的各个说话者。经常被执行的另一功能是说话者分割和跟踪，也称为说话者分类(speaker diarization)。说话者分类是根据说话者身份将输入音频流划分成同质分段的过程。它使用了说话者分割和说话者聚类的组合。说话者分割在音频流中找到说话者变化点，并且说话者聚集基于说话者特征将语音分段分组在一起。

通过示例的方式，为了各种目的，包含多个说话者的音频流通常被划分成仅包含单个说话者的分段，并且来自相同说话者的非连续分段被共同索引。说话者识别系统被用于将音频的说话者同质的部分与说话者模型匹配。音频索引系统实现通过说话者身份对会议记录(或其它多说话者记录)的部分的检索。语音识别系统可以使用该信息适应于特定说话者的特性。自动转录系统可以使用该信息以将该转录的某些部分归因于适当的说话者，并且语音理解系统可以用于基于说出话语的说话者的身份来解释该话语的含义。

在执行这些类型的语音处理任务中，语音系统必须在给定说话者的语音内适应相对高程度的可变性。此外，语音信号通常可能由外部因素而导致失真，外部因素诸如背景噪声和混响、以及室内声学等。这可能增加在对音频样本进行比较以用于评估说话者身份中的困难。

当前的说话者分类系统从音频流中提取固定的、人为设计的特征集(其通常可以是Mel倒谱或MFCC特征等)，针对音频的分段来训练高斯混合模型，并且然后将根据分段的相关联的高斯分布的相似性来对它们进行聚类。因此，说话者相似性基于潜在的预定特征的相似性被间接地测量。

上面的讨论仅仅被提供用于一般背景信息，并且不旨在用作确定所要求保护的主题的范围中的辅助。

发明内容

获得表示语音的特征向量对。一些对表示来自相同说话者的两个语音样本，并且其他对表示来自不同说话者的两个语音样本。神经网络利用彼此关联的两个向量的输入上的权重矩阵，将样本对中的每个特征向量馈送到单独的瓶颈层中。该神经网络使用特征向量被训练以执行指定的函数，并且在训练之后，来自关联的权重矩阵的权重被提取以供在针对语音系统生成特征中使用。

提供本发明内容以便以简化形式介绍将在以下详细描述中进一步描述的概念的选集。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用作在确定所要求保护的主题的范围中的辅助。所要求保护的主题不限于解决背景技术中提到的任何或所有缺点的实现。

附图说明

图1是语音处理架构的一个示例的框图。

图2是更详细地示出采样和特征提取系统(图1所示)的一个示例的框图。

图3是更详细地示出神经网络训练系统(图1所示)的一个示例的框图。

图4是示出训练系统(图1所示)的操作的一个示例的流程图。

图5是使用导出特征的语音处理系统的一个示例的框图。