[发明专利]一种声纹鉴权训练方法及系统

说明书

一种声纹鉴权训练方法及系统，方法包括：加载音频配置文件，对训练需要的音频文件及标准文件进行数据配置和确认；加载训练模型参数；构建基于神经网络的训练模型，作为语音识别的训练特征，并完成模型加载；将完成的配置数据加载输入训练模型；进行模型训练：使用HE来初始化神经网络的权重；训练后输入SOFTMax分类器进行处理，通过ResCNN进行神经网络训练；通过余弦相似性实现三元组损失函数进行训练评估；基于归一化处理数据评估的标准；生成声纹识别的声纹库并保存。系统包括音频配置模块、参数加载模块、模型构建模块、数据输入模块、模型训练模块、存储模块。识别精度高达到94.45％，相比于传统的i‑vector方法，准确率提高了近30％。

技术领域

本发明涉及生物识别技术，尤其涉及声纹识别，具体来说，尤其与一种利用深度学习方法的声纹鉴权训练方法及系统。

背景技术

传统的方法i-vector方法认为说话内容可以被分为两个部分，一个部分依赖于说话者和信道可变性，另一个部分依赖于其它的相关因素。i-vector声纹识别是一个多步过程，其涉及到使用不同说话者的数据来估计一个通用的背景模型，通常是高斯混合模型，收集充分的统计数据，提取i-vector，最后使用一个分类器来进行识别任务。传统的方法i-vector方法，业界的声纹识别率处于70％左右，且与文本相关。

发明内容

本发明提供一种与文本无关的声纹识别手段，具体是一种利用深度学习方法的声纹鉴权训练方法及系统，通过构建神经网络，使用SOFTMax分类和基于余弦相似性的三元组损失进行训练评估，识别精度高达到94.45％，相比于传统的i-vector方法，准确率提高了近30％。

本发明采用以下技术：

一种声纹鉴权训练方法，其特征在于，包括以下步骤：

加载音频配置文件，对训练需要的音频文件及标准文件进行数据配置和确认；

加载训练模型参数，参数包括训练集大小、训练的帧数和音频语谱图；

构建基于神经网络的训练模型，作为语音识别的训练特征，并完成模型加载；

将完成的配置数据加载输入训练模型；

进行模型训练：

通过预训练来初始化神经网络的权重，初始化采用HE初始化；

通过分类器进行处理，分类器采用sofmax多类分类器；

通过余弦相似性的三元组损失函数进行评估；

通过归一化处理使评估数据标准化，归一化采用L2-NOMARL；

生成声纹识别的声纹库并保存。

进一步，所述训练模型参数，包括训练集大小、训练的帧数和音频语谱图。

进一步，所述训练集大小，是每个训练样本对应一段语音的连续语谱图的时长。

进一步，所述音频语谱图，使用的是维度为(32,32,3)的伪图相。

进一步，所述神经网络为ResCNN神经网络的参数为：卷积块Conv 3×3、滤波器的尺寸3×3、两个方向上的零填充1、连续跨步1×1参数化。

一种声纹鉴权训练系统，其特征在于，包括：

音频配置模块，用于加载音频配置文件，对训练需要的音频文件及标准文件进行数据配置和确认；

参数加载模块，用于加载训练模型参数；

模型构建模块，用于构建基于神经网络的训练模型，作为语音识别的训练特征，并完成模型加载；

数据输入模块，用于将音频配置模块完成的配置数据加载输入训练模型；