[发明专利]用于远场和近场声音辅助应用的利用超短语音分段进行的说话者标识

说明书

一种说话者识别设备包括存储器和处理器。存储器存储对应于由登记用户对关键短语的发声的所登记关键短语数据，以及登记用户的文本相关和文本无关声学说话者模型。处理器操作性地连接到存储器，并且执行指令以将说话者认证为登记用户，这包括检测对应于由说话者说出的关键短语的输入关键短语数据，使用登记用户的语音模型计算说话者的文本相关和文本无关分数，计算置信度分数，以及基于置信度分数是否指示输入关键短语数据对应于来自登记用户的语音而将说话者认证为登记用户或拒绝说话者作为登记用户。

相关申请

本公开要求题为“SPEAKER IDENTIFICATION WITH ULTRA-SHORT SPEECH SEGMENTSFOR FAR AND NEAR FIELD VOICE ASSISTANCE APPLICATIONS”并且于2017年12月26日提交的美国临时申请No.62/610,337的优先权权益，该美国临时申请的公开内容以其整体并入本文。

技术领域

本公开总体上涉及说话者识别，并且更特别地，涉及使用超短语音分段进行的说话者识别。

背景技术

会话对话系统已经在包括家庭、移动和其它场景的广泛应用中获得了越来越多的认可。在会话过程期间通过使用这样的系统来对人进行标识可以促进个性化的用户体验，同时保持对系统的不同水平的访问的控制。

“说话者识别”是基于说话的人（即“说话者”）的声音对他们进行的标识。典型的说话者识别系统通常需要来自所登记说话者的大量声音样本，以便提取表示说话者独特的声音特性的足够统计量。声学信号的这些特定于说话者的特性被存储为说话者的声学模型或声纹。当一个人说话时，说话者识别系统通常会将这个人的声音特征与所登记的说话者模型和表示一般人类声音的背景模型进行比较，并且然后基于该比较来决定是否将这个人认证为登记用户。

常规系统在要仅利用有限量的可用声音样本来执行认证时具有一些缺点。当有限量的声音样本可用时，针对说话者标识和授权进行优化的语音识别系统将是有益的。

发明内容

为了减少在对用户进行登记时所需的语音样本的长度和数量，本公开提出了一种系统，该系统在利用说话者识别系统将说话者认证为登记用户时，组合了人类语音的文本相关和文本无关模型。

将说话者认证为登记用户的示例性方法包括利用处理器检测对应于由说话者说出的关键短语的输入关键短语数据。处理器参照输入关键短语数据和存储在操作性地连接到处理器的存储器中的来自登记用户的语音的文本相关声学说话者模型来计算文本相关分数。处理器进一步参照输入关键短语数据以及存储在存储器中的来自登记用户的语音的文本无关声学说话者模型来计算文本无关分数。处理器附加地参照文本相关分数和文本无关分数计算针对将说话者认证为登记用户的置信度分数。处理器在置信度分数指示输入关键短语数据对应于来自登记用户的语音时，将说话者认证为登记用户，并且在置信度分数指示输入关键短语数据不对应于来自登记用户的语音时，拒绝将说话者认证为登记用户。

将说话者认证为登记用户的另一示例性方法包括利用处理器检测到音频数据包括对应于由说话者对关键短语的发声的关键短语数据。在一些实施例中，处理器参照关键短语数据以及存储在操作性地连接到处理器的存储器中的登记用户的文本相关声学说话者模型，来计算文本相关分数。处理器还参照关键短语数据以及存储在存储器中的登记用户的文本无关声学说话者模型来计算文本无关分数。处理器进一步参照文本相关分数和文本无关分数计算针对将说话者认证为登记用户的置信度分数。处理器在置信度分数指示关键短语是由登记用户说出的时，将说话者认证为登记用户，并且在置信度分数指示关键短语不是由登记用户说出的时，拒绝将说话者认证为登记用户。