[发明专利]一种声纹识别方法及装置

说明书

本发明适用于身份认证技术领域，提供了一种声纹识别方法及装置，包括：对输入的语音进行预处理，获取语音中的有效语音；提取语音的MFCC声学特征，输出包含MFCC维度及语音分帧数的第一和第二特征矩阵；构建长短时递归神经网络模型，并将第一特征矩阵作为输入；利用神经网络模型的训练参数及语音的说话人特征训练特征提取矩阵，每个特征提取矩阵对应一个说话人模型；选取出匹配第二特征矩阵的说话人模型，所述匹配的说话人模型对应的说话人输出为声纹识别结果。本发明采用监督学习的方式来训练声纹背景模型，能够从训练语音中挖掘出更合适的声学特征，从而能够更准确地辨别说话人的差异性特征，学习到鲁棒性更强的说话人模型，获取更好的声纹识别效果。

技术领域

本发明属于身份认证技术领域，尤其涉及一种声纹识别方法及装置。

背景技术

声纹识别也称为说话人识别，用于判断某段语音是若干人中的哪一个所说的或者用于确认某段语音是否是指定的某个人所说的，是一项根据语音波形反映说话人生理和行为特征的语音参数，自动识别说话人身份的技术。目前，声纹识别广泛应用于互联网、银行系统、公安司法等领域。声纹，是用电声学仪器显示的携带言语信息的声波频谱。每个人的语音声学特征既有相对稳定性，又有变异性，不是绝对的、一成不变的。这种变异可来自生理、病理、心理、模拟、伪装，也与环境干扰有关。

业界主流的声纹识别方法一般需要先对说话人的声纹进行建模，通常是对全局背景模型预先进行训练。现有的声纹模型中，主要采用混合高斯模型来训练通用的背景模型。由于基于无监督训练的混合高斯背景模型中并没有样本数据的类别信息，仅用以代表说话人空间中所有说话人的特征，是一个单一的说话人无关的背景模型，因此难以准确地辨别说话人的差异性特征，最终导致对说话人的声纹进行识别时，识别准确率低。

发明内容

有鉴于此，本发明实施例提供了一种声纹识别方法及装置，以解决现有技术难以准确地辨别说话人的差异性特征，从而导致声纹识别准确率较低的问题。

第一方面，提供了一种声纹识别方法，包括：

分别对输入的K条语音进行预处理，所述语音包括训练语音及待识别语音，以获取所述K条语音中每条语音的有效语音；

提取所述每条训练语音中有效语音的梅尔频率倒谱系数声学特征，输出包含所述梅尔频率倒谱系数的维度及所述每条训练语音的分帧数的第一特征矩阵；

构建长短时递归神经网络模型，并将所述第一特征矩阵输入所述神经网络模型，以获取所述神经网络模型的输出参数；

利用所述神经网络模型的输出参数及所述每条训练语音对应的说话人特征，分别训练得出N条训练语音的N个特征提取矩阵，所述每个特征提取矩阵对应一个所述训练语音的说话人模型；

提取所述待识别语音中有效语音的梅尔频率倒谱系数声学特征，输出包含所述梅尔频率倒谱系数的维度及所述待识别语音的分帧数的第二特征矩阵；

在所述N个说话人模型中，根据预设的相似性度量算法，选取出与所述第二特征矩阵相匹配的说话人模型，所述选取出的说话人模型对应的说话人输出为所述待识别语音的声纹识别结果；

其中，所述K和N为大于零的整数，且K大于N。

第二方面，提供了一种声纹识别装置，包括：

预处理单元，用于分别对输入的K条语音进行预处理，所述语音包括训练语音及待识别语音，以获取所述K条语音中每条语音的有效语音；

第一提取单元，用于提取所述每条训练语音中有效语音的梅尔频率倒谱系数声学特征，输出包含所述梅尔频率倒谱系数的维度及所述每条训练语音的分帧数的第一特征矩阵；

构建单元，用于构建长短时递归神经网络模型，并将所述第一特征矩阵输入所述神经网络模型，以获取所述神经网络模型的输出参数；