[发明专利]声纹谱提取方法及装置

说明书

本发明提供一种声纹谱提取方法及装置，其中，方法包括：获取样本语音信号并转换成log域频谱；基于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，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声纹谱重构模型，获得目标语音信号中的声纹谱。本发明能实现从语音信号中精确的提取声纹谱，进而使后续可以根据所提取的声纹谱清晰观察到说话人特性，以帮助提高司法鉴定及身份识别等领域中声纹验证的准确度。

技术领域

本发明涉及语音信号处理技术领域，尤其涉及一种声纹谱提取方法及装置。

背景技术

声纹是判断语音信号中包含的说话人特征。在司法实践中，声纹是对目标进行验证的有效工具之一，在司法鉴定及身份识别等领域具有重要意义。

传统的声纹比对方法一般通过频谱来实现，即先将声音(即语音信号)转换成频谱，再由鉴定专家通过观察两段声音的频谱来判断这两段声音是否来源于同一个说话人。

但是，这两段声音的频谱中不仅包含说话人信息，也包含说话内容信息，通常说话内容的变动更为显著，这意味着鉴定专家通过频谱看到的大多数信息是和发音变异相关的，与说话人其实没有太大关系。这种信息的混杂使得声纹比对非常困难，验证误差较大。特别是在司法鉴定中，这种高误差率导致声纹验证无法列为重要的呈堂证供。为了能够实现精准的声纹验证，声纹谱的提取(即在语音频谱中滤除说话内容信息，只保留说话人信息)具有重要的作用。

鉴于此，如何从语音信号中提取声纹谱成为目前需要解决的技术问题。

发明内容

为解决上述的技术问题，本发明实施例提供一种声纹谱提取方法及装置，能够实现从语音信号中精确的提取声纹谱。

第一方面，本发明实施例提供一种声纹谱提取方法，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。

可选地，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。

可选地，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。

可选地，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。