[发明专利]说话人识别网络模型训练方法、说话人识别方法及系统

说明书

本发明公开一种说话人识别网络模型训练方法，包括：从训练数据集中获取第i话语三元组并将第i话语三元组输入至卷积神经网络，卷积神经网络对第i话语三元组进行特征提取得到第i话语特征三元组并输入至线性神经网络；将预先获取的第一说话人的第一身份向量信息和第二说话人的第二身份向量信息输入至线性神经网络进行融合处理，以得到融合后的第i话语特征三元组；根据融合后的第i话语特征三元组计算三元组损失，以调整所述网络模型。本发明实施例得到的说话人识别网络模型能够更加准确的实现说话人的识别功能，具有最低的等错误率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种说话人识别网络模型训练方法、说话人识别方法及系统。

背景技术

说话人识别技术作为生物特征识别的一个方向，在理论和应用领域都得到了快速发展和广泛关注。在对经典说话人识别算法的中，从理论和实际应用中分析了经典算法存在的缺陷，由此推出了基于i-vector的说话人识别算法，在i-vector框架中，对每一帧语音数据提取i-vector低维表示，将所有帧的低维表示进行平均得到说话人的表示。

但是，发明人在实现本发明的过程中发现，在注册语句较短的情况下，i-vector作为说话人的表示类内方差较大(即，对于同一说话人的不同话语的识别结果之间距离相差较大)，类间方差小(即，不同说话人的识别结果之间距离较小)，从而导致识别准确率在注册语句较短时较低。

发明内容

本发明实施例提供一种说话人识别网络模型训练方法、说话人识别方法及系统，至少能够用于解决现有技术中说话人识别准确率低的技术问题。

第一方面，本发明实施例提供一种说话人识别网络模型训练方法，所述网络模型包括卷积神经网络和线性神经网络，所述方法包括：

从训练数据集中获取第i话语三元组，所述训练数据集中包括多个说话人的话语，每个说话人对应多个话语，所述第i话语三元组由选自所述多个说话人的第一说话人的第一话语和第二话语，以及选自所述多个说话人的第二说话人的第三话语构成；

将所述第i话语三元组输入至所述卷积神经网络，所述卷积神经网络对所述第i话语三元组进行特征提取得到第i话语特征三元组并输入至所述线性神经网络，所述第i话语特征三元组包括对应于所述第一至第三话语的第一至第三话语向量信息；

将预先获取的所述第一说话人的第一身份向量信息和所述第二说话人的第二身份向量信息输入至所述线性神经网络，所述线性神经网络将所述第一身份向量信息分别与所述第一话语向量信息和第二话语向量信息进行加权和，并将所述第二身份向量信息与所述第三话语向量信息进行加权和，以得到融合后的第i话语特征三元组；

根据所述融合后的第i话语特征三元组计算三元组损失(TripletLoss)，以调整所述网络模型，其中i取值1至N，N为训练数据集中所包含的所有话语三元组的个数。

第二方面，本发明实施例提供一种说话人识别方法，基于本发明实施例中所述的网络模型实现，所述方法包括：

说话人注册：

将获取说话人的多个注册话语输入至所述卷积神经网络以得到相应的注册话语向量信息；

基于所述多个注册话语生成对应于说话人的注册身份向量信息；

所述线性神经网络基于所述注册身份向量信息和所述注册话语向量信息生成注册融合向量信息并存储；

说话人识别：

将说话人的测试话语输入至所述卷积神经网络以得到相应的测试话语向量信息；

基于所述测试话语生成对应于说话人的测试身份向量信息；

所述线性神经网络基于所述测试身份向量信息和所述测试话语向量信息生成测试融合向量信息并存储；