[发明专利]一种声纹库的生成方法和装置

说明书

本发明公开一种声纹库的生成方法和装置，该方法包括以下步骤：获取目标说话人的音频数据库，从所述音频数据库中标注出一个或多个标准音频段，将所述标准音频段保存到声纹库；提取所述标准音频段的第一声纹特征；提取所述音频数据库中的候选音频段的第二声纹特征；计算所述第一声纹特征与所述第二声纹特征之间的相似度；计算所述候选音频段的离散系数；根据所述相似度和所述离散系数，计算所述候选音频段的置信度；在所述置信度大于或等于预设阈值的情况下，将所述候选音频段保存到所述声纹库。本发明依靠机器学习的方法自动生成声纹库，能够减少人为失误，提高数据精度，并降低成本。

技术领域

本发明涉及音频技术领域，特别涉及一种声纹库的生成方法和装置。

背景技术

声纹识别，又称说话人识别，是一种从语音信号中提取说话人相关特征，并对该特征进行分析以判断说话人身份的技术。声纹识别广泛应用于安全监控、智能设备唤醒与交互等领域，并从传统的GMM-UBM模型发展到近年来的ivector特征以及最新的深度学习方法，取得了大幅进步。

然而，在真实、自然的环境下，声纹识别依然面临巨大的挑战，原因在于：背景中的噪音、音乐和其他人声的叠加，以及录音设备和信道等因素，影响到音频信号的质量；且说话人的声音特性受到情绪、年龄、身体状况等因素的影响而有所差异。最新的深度学习技术可在大数据量的条件下发挥巨大优势，但如何获取大量的、覆盖上述问题的数据一直是亟待解决的问题。

发明内容

本发明提供了一种声纹库的生成方法和装置，以解决现有技术无法大量获取声纹数据的缺陷。

本发明提供了一种声纹库的生成方法，包括以下步骤：

获取目标说话人的音频数据库，从所述音频数据库中标注出一个或多个标准音频段，将所述标准音频段保存到声纹库；

提取所述标准音频段的第一声纹特征；

提取所述音频数据库中的候选音频段的第二声纹特征；

计算所述第一声纹特征与所述第二声纹特征之间的相似度；

计算所述候选音频段的离散系数；

根据所述相似度和所述离散系数，计算所述候选音频段的置信度；

在所述置信度大于或等于预设阈值的情况下，将所述候选音频段保存到所述声纹库。

可选地，所述提取所述音频数据库中的候选音频段的第二声纹特征之前，还包括：

对所述音频数据库中除所述标准音频段之外的其他音频进行分割，得到多个候选音频段。

可选地，所述获取目标说话人的音频数据库，具体包括：

使用预设信息和所述目标说话人的人名作为搜索条件，爬取网络视频；

从所述网络视频中提取所述目标说话人的音频数据库。

可选地，所述预设信息为“访谈”和/或“采访”字样。

可选地，所述计算所述候选音频段的离散系数，包括：

使用预设时长以及预设移动步长的时间窗，将所述候选音频段分割成多个音频片段；

提取每个所述音频片段的声纹特征，根据多个所述音频片段的声纹特征，计算所述候选音频段的离散系数。

本发明还提供了一种声纹库的生成装置，包括：

获取模块，用于获取目标说话人的音频数据库；

标注模块，用于从所述音频数据库中标注出一个或多个标准音频段，将所述标准音频段保存到声纹库；

第一提取模块，用于提取所述标准音频段的第一声纹特征；