[发明专利]一种声纹模型训练的方法和系统

说明书

本发明实施例提供了一种声纹模型训练方法和系统，该方法包括：选取多个用户标识下的语音作为训练语音；根据训练语音确定初始声纹模型；利用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。本发明实施例有效提高了声纹模型的鲁棒性，使声纹系统的性能更加优越。

技术领域

本发明涉及声纹识别技术领域，特别是涉及一种声纹模型训练方法和系统。

背景技术

声纹特征是人体重要生物特征之一，具有较强的个体特殊性，常用于声纹识别、声纹认证等领域作为身份认证的一种特征。声纹识别或声纹认证需要先利用事先训练好的声纹模型来对确认对象语音与待确认语音分别提取表征用户信息的特征矢量，然后利用两个特征矢量来进行相似度计算，最终判决是否为同一用户。在声纹模型的训练阶段，需要大量标注好的用户语音作为有监督的训练样本指导模型完成训练，然而，在很多基于用户标识(ID，Identity)的声纹场景下，一个ID下面并非只有该号码用户的语音，还存在着借用等非号码用户的语音存在。目前都是基于训练样本指导模型，对用户语音训练数据进行训练，具体的，可以通过高斯混合模型-通用背景模型(GMM-UBM，Gaussian Mixture Model-Universal Background Model)、全差异建模(TV，Total Variability)系统或深度神经网络系统等方法进行训练，其训练过程中都是利用大量用户的语音来训练表征用户信息的特征矢量。比如在基于用户标识ID的声纹系统下，无论采用何种系统，如果直接将某个ID下的所有语音都当作同一个用户，则训练数据本身就存在着很多错误；如果再对用户的标签进行人工标注，则会存在更大的误差，因为，标注员对自己不熟悉的用户语音非常难以标注用户信息，所以，不但误差大，且标注代价也十分高昂。

因此，基于上述问题，如何在用户标签不纯净的训练数据上训练出较好的声纹模型是目前有待解决的问题。

发明内容

本发明实施例所要解决的技术问题是提供一种声纹模型训练方法，以解决现有技术中由于用户标签不纯净的训练数据上训练出较好的声纹模型，导致声纹模型的鲁棒性降低的技术问题。

相应的，本发明实施例还提供了一种声纹模型训练系统、终端及计算机可读存储介质，用以保证上述方法的实现及应用。

为了解决上述问题，本发明是通过如下技术方案实现的：

第一方面提供一种声纹模型训练方法，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。

可选的，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。

可选的，通过下述方式计算所述质心：