[发明专利]声纹谱提取方法及装置

权利要求书

1.一种声纹谱提取方法，其特征在于，包括：

获取样本语音信号，将所述样本语音信号转换成log域频谱；

基于所述log域频谱，利用预先训练的声纹因子提取模型，提取每一帧样本语音信号的声纹因子，以及利用预先训练的内容因子提取模型，提取每一帧样本语音信号的内容因子；

基于所提取的内容因子和声纹因子，训练得到用于将内容因子重构成内容谱的内容谱重构模型和用于将声纹因子重构成声纹谱的声纹谱重构模型；

将所述内容谱重构模型丢弃，将目标语音信号输入所述声纹谱重构模型，获得所述目标语音信号中的声纹谱。

2.根据权利要求1所述的方法，其特征在于，所述将所述样本语音信号转换成log域频谱，包括：

将所述样本语音信号进行傅立叶变换，获得所述样本语音信号的log域频谱。

3.根据权利要求1所述的方法，其特征在于，在基于所述log域频谱，利用预先训练的声纹因子提取模型，提取每一帧样本语音信号的声纹因子之前，所述方法还包括：

对声纹因子提取模型进行预先训练，以使所述声纹因子提取模型对说话人的区分能力最大化，以及对内容因子提取模型进行预先训练，以使所述内容因子提取模型对音素的区分能力最大化。

4.根据权利要求3所述的方法，其特征在于，所述对声纹因子提取模型进行预先训练，以使所述声纹因子提取模型对说话人的区分能力最大化，包括：

基于Fisher准则，对声纹因子提取模型进行预先训练，以使所述声纹因子提取模型对说话人的区分能力最大化；

相应地，所述对内容因子提取模型进行预先训练，以使所述内容因子提取模型对音素的区分能力最大化，包括：

基于Fisher准则，对内容因子提取模型进行预先训练，以使所述内容因子提取模型对音素的区分能力最大化。

5.根据权利要求3所述的方法，其特征在于，所述对声纹因子提取模型进行预先训练，以使所述声纹因子提取模型对说话人的区分能力最大化，包括：

基于交叉熵，对声纹因子提取模型进行预先训练，以使所述声纹因子提取模型对说话人的区分能力最大化；

相应地，所述对内容因子提取模型进行预先训练，以使所述内容因子提取模型对音素的区分能力最大化，包括：

基于交叉熵，对内容因子提取模型进行预先训练，以使所述内容因子提取模型对音素的区分能力最大化。

6.根据权利要求3所述的方法，其特征在于，所述声纹因子提取模型、所述内容因子提取模型、所述声纹谱重构模型和所述内容谱重构模型均是基于深度神经网络来实现的。

7.一种声纹谱提取装置，其特征在于，包括：

转换模块，用于获取样本语音信号，将所述样本语音信号转换成log域频谱；

第一提取模块，用于基于所述log域频谱，利用预先训练的声纹因子提取模型，提取每一帧样本语音信号的声纹因子，以及利用预先训练的内容因子提取模型，提取每一帧样本语音信号的内容因子；

第一训练模块，用于基于所提取的内容因子和声纹因子，训练得到用于将内容因子重构成内容谱的内容谱重构模型和用于将声纹因子重构成声纹谱的声纹谱重构模型；

第二提取模块，用于将所述内容谱重构模型丢弃，将目标语音信号输入所述声纹谱重构模型，获得所述目标语音信号中的声纹谱。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第二训练模块，用于对声纹因子提取模型进行预先训练，以使所述声纹因子提取模型对说话人的区分能力最大化，以及对内容因子提取模型进行预先训练，以使所述内容因子提取模型对音素的区分能力最大化。

9.一种电子设备，其特征在于，包括：处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序；

其中，所述处理器，存储器通过所述总线完成相互间的通信；

所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。