[发明专利]基于音素辅助的文本无关声纹识别方法、装置以及设备

权利要求书

1.一种基于音素辅助的文本无关声纹识别方法，其特征在于，包括：

提取输入语音的帧级别特征；

根据所述帧级别特征，获得相应于音素状态的音素分类结果，并求取输入语音的第一统计信息；

结合所述帧级别特征、所述音素分类结果以及预先确定的音素状态分布模板，对输入语音进行声纹信息分布统计，得到第二统计信息；

根据所述第一统计信息以及所述第二统计信息，对输入语音进行说话人识别。

2.根据权利要求1所述的基于音素辅助的文本无关声纹识别方法，其特征在于，所述结合所述帧级别特征、所述音素分类结果以及预先确定的音素状态分布模板，对输入语音进行声纹信息分布统计，得到第二统计信息包括：

利用所述音素分类结果，统计输入语音在各音素上的总体占比；

利用所述帧级别特征、所述音素分类结果以及预先确定的音素状态分布模板，统计输入语音中的声纹信息在各音素上的分布情况。

3.根据权利要求2所述的基于音素辅助的文本无关声纹识别方法，其特征在于，所述统计输入语音中的声纹信息在各音素上的分布情况包括：

基于预先确定的音素状态分布模板，削弱所述帧级别特征中音素信息的影响；

利用处理后的所述帧级别特征以及所述音素分类结果，统计出输入语音中声纹信息在各音素上的分布情况。

4.根据权利要求1所述的基于音素辅助的文本无关声纹识别方法，其特征在于，所述根据所述第一统计信息以及所述第二统计信息，对输入语音进行说话人识别包括：

融合所述第一统计信息以及所述第二统计信息；

基于融合后的统计信息，对输入语音的说话人进行识别。

5.根据权利要求1～4任一项所述的基于音素辅助的文本无关声纹识别方法，其特征在于，确定所述音素状态分布模板包括：

预先基于大量的说话人语音样本，提取帧级别信息；

利用所述帧级别信息统计所有样本在每个音素状态上的均值，或者均值及标准差。

6.一种基于音素辅助的文本无关声纹识别装置，其特征在于，包括：

帧级别特征提取模块，用于提取输入语音的帧级别特征；

音素分类模块，用于根据所述帧级别特征，获得相应于音素状态的音素分类结果

第一统计模块，用于根据所述帧级别特征，求取输入语音的第一统计信息；

第二统计模块，用于结合所述帧级别特征、所述音素分类结果以及预先确定的音素状态分布模板，对输入语音进行声纹信息分布统计，得到第二统计信息；

说话人识别模块，用于根据所述第一统计信息以及所述第二统计信息，对输入语音进行说话人识别。

7.根据权利要求6所述的基于音素辅助的文本无关声纹识别装置，其特征在于，所述第二统计模块包括：

音素占比统计单元，用于利用所述音素分类结果，统计输入语音在各音素上的总体占比；

声纹分布统计单元，用于利用所述帧级别特征、所述音素分类结果以及预先确定的音素状态分布模板，统计输入语音中的声纹信息在各音素上的分布情况。

8.根据权利要求6所述的基于音素辅助的文本无关声纹识别装置，其特征在于，所述说话人识别模块包括：

统计信息融合单元，用于融合所述第一统计信息以及所述第二统计信息；

说话人识别单元，用于基于融合后的统计信息，对输入语音的说话人进行识别。

9.根据权利要求6～8任一项所述的基于音素辅助的文本无关声纹识别装置，其特征在于，还包括分布模板确定模块；所述分布模板确定模块具体包括：

帧级别信息提取单元，用于预先基于大量的说话人语音样本，提取帧级别信息；

全局分布统计单元，用于利用所述帧级别信息统计所有样本在每个音素状态上的均值，或者均值及标准差。

10.一种基于音素辅助的文本无关声纹识别设备，其特征在于，包括：

一个或多个处理器、存储器以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行如权利要求1～5任一项所述的基于音素辅助的文本无关声纹识别方法。