[发明专利]基于残差时延网络的说话人确认方法、装置、设备及介质

权利要求书

1.一种基于残差时延网络的说话人确认方法，其特征在于，包括：

构建残差时延网络，采用预设的训练样本集对所述残差时延网络进行训练；

获取测试用户的音频信息集，所述音频信息集包括注册音频和测试音频；

对所述测试用户的音频信息集执行预处理；

对预处理后的所述音频信息集执行特征提取，分别得到注册音频对应的梅尔频率倒谱系数和测试音频对应的梅尔频率倒谱系数；

将所述注册音频的梅尔频率倒谱系数作为输入向量传入训练好的所述残差时延网络，获取所述残差时延网络在会话切片级输出的特征向量，作为所述测试用户的注册特征向量；

将所述测试音频的梅尔频率倒谱系数作为输入向量传入训练好的所述残差时延网络，获取所述残差时延网络在会话切片级输出的特征向量，作为所述测试用户的待测试特征向量；

将所述注册特征向量和待测试特征向量输入预设的概率线性判别分析模型，并获取所述概率线性判别分析模型输出的分值；

根据所述分值输出说话人确认结果。

2.如权利要求1所述的基于残差时延网络的说话人确认方法，其特征在于，所述残差时延网络通过将残差时延网络块替换时延网络中的会话帧间级得到，所述残差时延网络块通过结合时延网络的结构与残差网络的恒等映射、残差映射得到。

3.如权利要求1或2所述的基于残差时延网络的说话人确认方法，其特征在于，所述采用预设的训练样本集对所述残差时延网络进行训练包括：

收集若干个说话人的多个音频信息作为训练样本集；

对所述训练样本集中的音频信息执行预处理；

对预处理后的每一所述音频信息进行特征提取，得到对应的梅尔频率倒频谱系数；

将每一所述音频信息对应的梅尔频率倒频谱系数作为输入向量传入预设的残差时延网络进行训练，获取所述残差时延网络输出的识别结果；

采用预设的损失函数计算每一所述音频信息对应的梅尔频率倒谱系数经过所述残差时延网络的识别结果与对应的说话人标签之间的误差，并根据所述误差修改所述残差时延网络的参数；

将每一所述音频信息对应的梅尔频率倒频谱系数作为输入向量传入参数修改后的残差时延网络执行下一次训练。

4.如权利要求3所述的基于残差时延网络的说话人确认方法，其特征在于，所述对所述训练样本集中的音频信息执行预处理包括：

对每一所述音频信息添加说话人标签，根据所述说话人标签进行分类，得到每一个说话人的音频信息集；

将音频信息个数小于第一预设阈值的音频信息集及说话人从所述训练样本集中剔除；

对剩余音频信息集中的每一个音频信息执行语音活动检测，并根据语音活动检测结果删除非语音部分，得到语音部分时长；

将语音部分时长少于第二预设阈值的音频信息从所述音频信息集中剔除。

5.如权利要求1或2所述的基于残差时延网络的说话人确认方法，其特征在于，所述根据所述分值输出说话人确认结果包括：

比对所述分值与预设分数阈值；

若所述分值大于或等于所述预设分数阈值时，输出所述待测试特征向量和注册特征向量来自同一个说话人的指示信息；

若所述分值小于所述预设分数阈值时，输出所述待测试特征向量和注册特征向量来自不同的说话人的指示信息。