[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

说明书

本申请公开了一种声纹提取模型构建方法、声纹识别方法及其相关设备，先根据样本语音、该样本语音的实际说话人和该样本语音的实际语种，构建声纹提取模型，以使构建好的声纹提取模型能够在不受语种干扰的情况下进行声纹特征提取；再利用该声纹提取模型针对待识别语音进行声纹特征提取，并根据该待识别语音的声纹特征，确定该待识别语音的说话人。其中，因构建好的声纹提取模型在进行声纹特征提取时几乎不受语种干扰，使得构建好的声纹提取模型具有较好的声纹特征提取性能，从而使得后续利用该声纹提取模型针对待识别语音提取的声纹特征能够更准确地表示出该待识别语音的说话人信息，如此有利于提高声纹识别准确性。

技术领域

本申请涉及语音识别技术领域，尤其涉及一种声纹提取模型构建方法、声纹识别方法及其相关设备。

背景技术

声纹识别，又称说话人识别(Speaker Recognition)，是一种根据说话人的语音来识别该说话人身份的技术。其中，声纹是指言语信息的声波频谱。

在一些应用场景(如，跨语种的复杂说话人识别场景)中，说话人的语音可能是由该说话人按照不同语种(如，粤语、普通话等)进行录制的，但是因现有的声纹识别技术在语种干扰下易呈现出较差的声纹识别性能，如此导致其在上述应用场景下的声纹识别准确性较低。

发明内容

本申请实施例的主要目的在于提供一种声纹提取模型构建方法、声纹识别方法及其相关设备，能够有效地降低语种干扰对声纹识别过程造成的不良影响，从而能够有效地提高声纹识别的准确性。

本申请实施例提供了一种声纹提取模型构建方法，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。

在一种可能的实施方式中，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。

在一种可能的实施方式中，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。

在一种可能的实施方式中，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；