[发明专利]一种声纹提取模型构建方法、声纹识别方法及其相关设备

权利要求书

1.一种声纹提取模型构建方法，其特征在于，所述方法包括：

获取样本语音、所述样本语音的实际说话人和所述样本语音的实际语种；

对所述样本语音进行声学特征提取，得到所述样本语音的声学特征；

将所述样本语音的声学特征输入待训练模型，得到所述待训练模型输出的所述样本语音的预测说话人和所述样本语音的预测语种；

根据所述样本语音的预测说话人、所述样本语音的实际说话人、所述样本语音的预测语种和所述样本语音的实际语种，更新所述待训练模型，并继续执行所述将所述样本语音的声学特征输入待训练模型的步骤，直至在达到预设停止条件时，根据所述待训练模型，构建声纹提取模型。

2.根据权利要求1所述的方法，其特征在于，所述待训练模型包括特征生成层、说话人识别层和语种识别层；

所述样本语音的预测说话人和所述样本语音的预测语种的确定过程，包括：

将所述样本语音的声学特征输入所述特征生成层，得到所述特征生成层输出的所述样本语音的待使用特征；

将所述样本语音的待使用特征输入所述说话人识别层，得到所述说话人识别层输出的所述样本语音的预测说话人；

将所述样本语音的待使用特征输入所述语种识别层，得到所述语种识别层输出的所述样本语音的预测语种。

3.根据权利要求2所述的方法，其特征在于，所述特征生成层包括第一预设层数的时延神经网络；

所述样本语音的待使用特征的确定过程，包括：

将所述样本语音的声学特征输入所述第一预设层数的时延神经网络，得到所述第一预设层数的时延神经网络输出的所述样本语音的待使用特征。

4.根据权利要求2所述的方法，其特征在于，所述说话人识别层包括说话人特征提取子层和说话人确定子层；

所述样本语音的预测说话人的确定过程，包括：

将所述样本语音的待使用特征输入所述说话人特征提取子层，得到所述说话人特征提取子层输出的所述样本语音的说话人特征；

将所述样本语音的说话人特征输入所述说话人确定子层，得到所述说话人确定子层输出的所述样本语音的预测说话人。

5.根据权利要求4所述的方法，其特征在于，所述说话人特征提取子层包括统计池化子层和第二预设层数的线性子层；

所述样本语音的说话人特征的确定过程，包括：

将所述样本语音的待使用特征输入所述统计池化子层，得到所述统计池化子层输出的所述样本语音的统计特征；

将所述样本语音的统计特征输入所述第二预设层数的线性子层，得到所述第二预设层数的线性子层输出的所述样本语音的说话人特征。

6.根据权利要求2所述的方法，其特征在于，所述语种识别层包括语种特征提取子层和语种确定子层；

所述样本语音的预测语种的确定过程，包括：

将所述样本语音的待使用特征输入所述语种特征提取子层，得到所述语种特征提取子层输出的所述样本语音的语种特征；

将所述样本语音的语种特征输入所述语种确定子层，得到所述语种确定子层输出的所述样本语音的预测语种。

7.根据权利要求6所述的方法，其特征在于，所述语种特征提取子层包括第三预设层数的双向长短时记忆网络、线性子层和统计子层；

所述样本语音的语种特征的确定过程，包括：

将所述样本语音的待使用特征输入所述第三预设层数的双向长短时记忆网络，得到所述第三预设层数的双向长短时记忆网络输出的所述样本语音的语种提取信息；

将所述样本语音的语种提取信息输入所述线性子层，得到所述线性子层输出的所述样本语音的语种变换信息；

将所述样本语音的语种变换信息输入所述统计子层，得到所述统计子层输出的所述样本语音的语种特征。