[发明专利]一种声纹模型训练的方法和系统

权利要求书

1.一种声纹模型训练方法，其特征在于，包括：

选取多个用户标识下的语音作为训练语音；

根据所述训练语音确定初始声纹模型；

利用所述初始声纹模型对每个用户标识下的训练语音进行聚类，得到排序后的训练语音；

将排序后每个用户标识下的训练语音划分成第一子集、第二子集和第三子集；

将所有用户标识下的第一子集合并为第一训练子集，第二子集合并为第二训练子集，以及第三子集合并为第三训练子集；

按照从易到难的学习顺序依次对所述第一训练子集、第二训练子集和第三训练子集进行学习，得到最终的声纹模型；

所述按照从易到难的学习顺序依次对所述第一训练子集、第二训练子集和第三训练子集进行学习，得到最终的声纹模型，包括：

利用所述第一训练子集训练初始声纹模型，得第一声纹模型；

将所述第二训练子集以小于所述第一训练子集的权重、与所述第一训练子集联合，对所述第一声纹模型进行训练，得到第二声纹模型；

将所述第三训练子集以小于所述第二训练子集的权重、所述第二训练子集以小于所述第一训练子集的权重、与所述第一训练子集联合，对所述第二声纹模型进行训练，得到第三声纹模型，所述第三声纹模型作为最终声纹模型。

2.根据权利要求1所述的方法，其特征在于，所述利用所述初始声纹模型对每个用户标识下的训练语音进行聚类，得到排序后的训练语音，包括：

利用所述初始声纹模型提取所有训练语音的声纹表征；

按照所述声纹表征对每个用户标识下的训练语音进行聚类，得到排序后的训练语音，其中，所述排序后的训练语音是按照距离质心从近到远排序得到的。

3.根据权利要求2所述的方法，其特征在于，通过下述方式计算所述质心：

计算每个用户标识下的所有声纹表征的矢量的平均值，将所述平均值作为对应用户标识下的质心。

4.根据权利要求3所述的方法，其特征在于，所述将排序后每个用户标识下的训练语音划分成第一子集、第二子集和第三子集，包括：

计算所有声纹表征与质心的距离；

将所有距离小于第一阈值的声纹表征对应的训练语音划分为第一子集，将所有距离大于等于第一阈值且小于第二阈值的声纹表征对应的训练语音划分为第二子集，将所有距离大于等于第二阈值的声纹表征对应的训练语音划分为第三子集。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述利用所述第一训练子集训练初始声纹模型，得第一声纹模型；将所述第二训练子集以小于所述第一训练子集的权重、与所述第一训练子集联合，对所述第一声纹模型进行训练，得到第二声纹模型；将所述第三训练子集以小于所述第二训练子集的权重、所述第二训练子集以小于所述第一训练子集的权重、与所述第一训练子集联合，对所述第二声纹模型进行训练，得到第三声纹模型，所述第三声纹模型作为最终声纹模型，包括：

根据所述第一训练子集中的训练语音对所述初始声纹模型进行训练，得到第一声纹模型；

以所述第一声纹模型为初始模型，利用第一训练子集和第二训练子集，且所述第二训练子集训练语音的学习率为第一训练子集的M倍来训练所述第一声纹模型，得到第二声纹模型，其中，0＜M＜1；

以所述第二声纹模型为初始模型，将所述第一训练子集、第二训练子集和第三训练子集，且所述第二训练子集训练语音的学习率为第一训练子集的M倍，所述第三训练子集训练语音的学习率为第一训练子集的N倍来训练所述第二声纹模型，得到第三声纹模型，所述第三声纹模型作为最终的声纹模型，用来进行后续的声纹识别任务，其中，0＜N＜1，且M＞N。