[发明专利]提升使用CNN网络结构的语音任务的性能的方法

权利要求书

1.提升使用CNN网络结构的语音任务的性能的方法，其特征在于，在语音频谱图中增加位置嵌入，步骤包括：

1)从音频波形信号中抽取出F×N的语音频谱图，其中，F表示频率维度的长度，N表示时间维度的长度；

2)针对语音频谱图上每一个频率和时间位置，增加一个D维的位置嵌入，全部位置嵌入构成一个F×N×D的三维矩阵；

3)将所述F×N×D的三维矩阵和所述语音频谱图合并，形成D+1通道的图片；

4)将所述D+1通道的图片输入到CNN网络中，使用常规SGD方法训练，获得声纹特征并基于此声纹特征进行说话人分类。

2.根据权利要求1所述的方法，其特征在于，所述位置嵌入为随机初始化的、可以学习的权重。

3.根据权利要求1所述的方法，其特征在于，所述F×N×D的三维矩阵均为独立参数。

4.根据权利要求1所述的方法，其特征在于，所述F×N×D的三维矩阵有F×D个独立参数，按照N这个维度进行共享参数。

5.根据权利要求1所述的方法，其特征在于，步骤3)，所述F×N×D的三维矩阵和所述频谱图沿着最后一维连接在一起。

6.根据权利要求1所述的方法，其特征在于，所述D+1通道的图片的大小为F×N×(D+1)。