[发明专利]一种说话人分割模型的优化方法、说话人分割方法及装置

说明书

本发明公开了一种说话人分割模型的优化方法及装置，该方法包括：获取第一语音流数据和第二语音流数据，第一语音流数据与第一说话人对应，第二语音流数据与第二说话人对应；基于第一语音流数据，获得目标对比误差函数的第一误差函数项；第一误差函数项为最小化的对象；基于第一语音流数据和第二语音流数据，获得目标对比误差函数的第二误差函数项；第二误差函数项为最大化的对象；基于第一误差函数项和第二误差函数项，获得目标对比误差函数；基于目标对比误差函数，对原说话人分割模型的模型参数进行调整，获得目标说话人分割模型。本发明可以提高说话人分割点准确率。同时，本发明还公开了一种说话人分割方法及装置。

技术领域

本发明涉及说话人分割技术领域，尤其涉及一种说话人分割模型的优化方法、说话人分割方法及装置。

背景技术

实时说话人分割技术，可以自动判断实时语音流中说话人的身份，给出说话人在何时进行说话的信息。在会议、采访等场景有着较大的应用需求，是当前语音行业研究的热点。

说话人分割技术常用的框架是先切分语音，然后再对语音片段进行聚类，但这种框架无法处理实时的语音流，因此，只能作为后端系统对语音做非实时的说话人分割。

UIS-RNN(Unbounded Interleaved-State Recurrent Neural Network，无界间隔状态循环神经网络)的出现实现了实时的说话人分割，该框架基于d-vector特征，不限制说话人数目，为每一个说话人建立了一个RNN(Recurrent Neural Network，循环神经网络)模型，并且持续更新，其性能超越了先前基于聚类和深度网络嵌入的方法，成为了当前的主流技术。其中，d-vector是谷歌提出的基于DNN(Deep Neural Networks，深度神经网络)的说话人embedding。

虽然UIS-RNN技术已经在实际的说话人分割任务中取得了很大的成功，但它仍存在如下缺点：

1、基于UIS-RNN的系统在实用中，通常使用滑窗方法来截取语音片段进行处理，因此，会出现在一个语音片段中同时包含两个或两个以上说话人的情况。这种情况下，系统的识别能力较弱，使得说话人分割点准确率下降，进而恶化系统的性能。

2、在中远场多人对话复杂场景中，噪声问题会导致系统得到的说话人分割点精度低，而在实时说话人模型更新的过程中，这部分受影响的语音会生成新的说话人，使说话人模型逐渐发散，最终在长时对话上效果会严重恶化。

发明内容

本申请实施例通过提供一种说话人分割模型的优化方法、说话人分割方法及装置，解决了现有技术中的说话人分割模型，在应用到一个语音片段中同时包含两个或两个以上说话人的情况时，存在说话人分割点准确率低的技术问题，实现了提高说话人分割点准确率的技术效果。

第一方面，本申请通过本申请的一实施例提供如下技术方案：

一种说话人分割模型的优化方法，包括：

获取第一语音流数据和第二语音流数据，所述第一语音流数据与第一说话人对应，所述第二语音流数据与第二说话人对应；

基于所述第一语音流数据，获得目标对比误差函数的第一误差函数项；其中，所述第一误差函数项为最小化的对象；

基于所述第一语音流数据和所述第二语音流数据，获得所述目标对比误差函数的第二误差函数项；其中，所述第二误差函数项为最大化的对象；

基于所述第一误差函数项和所述第二误差函数项，获得所述目标对比误差函数；

基于所述目标对比误差函数，对原说话人分割模型的模型参数进行调整，获得目标说话人分割模型。

优选地，所述基于所述第一语音流数据获得对比误差函数的第一误差函数项，包括：