[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

说明书

本发明公开了一种基于残差时延网络的说话人确认方法、装置、设备及介质，所述方法包括：构建残差时延网络，对所述残差时延网络进行训练；获取测试用户的注册音频和测试音频；对所述注册音频和测试音频执行预处理，然后执行特征提取，分别得到注册音频和测试音频的梅尔频率倒谱系数；将所述注册音频/测试音频的梅尔频率倒谱系数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，作为注册特征向量/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概率线性判别分析模型，并根据模型输出的分值输出说话人确认结果。本发明解决了现有文本无关说话人确认方法在短音频方面的准确率欠佳的问题。

技术领域

本发明涉及信息技术领域，尤其涉及一种基于残差时延网络的说话人确认方法、装置、设备及介质。

背景技术

声纹识别，也称为话说人识别，是生物识别技术中的一种。声纹识别主要解决两大类问题，即说话人辨认和说话人确认。说话人辨认技术是用以判断某段语音来自若干说话人中的哪一个，是“多选一问题”，而说话人确认技术是判定某段语音是不是属于指定被检测人所说的，是“一对一问题”。说话人确认广泛应用于诸多领域，在银行、非银金融、公安、军队及其他民用安全认证等行业和部门有着广泛的需求。

说话人确认依照被检测语音是否需要指定内容分为文本相关确认和文本无关确认两种方式。近年来文本无关说话人确认方法不断突破，其准确性较之以往有了极大的提升。然而在某些受限情况下，比如采集到的说话人有效语音较短的情况下，其准确性还不尽如人意。

因此，寻找一种提高文本无关说话人确认在短音频方面的准确率的方法成为本领域技术人员亟需解决的问题。

发明内容

本发明实施例提供了一种基于残差时延网络的说话人确认方法、装置、设备及介质，以解决现有文本无关说话人确认方法在短音频方面的准确率欠佳的问题。

一种基于残差时延网络的说话人确认方法，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。

进一步地，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。

进一步地，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；