[发明专利]语音校验方法、装置、电子设备及可读存储介质

权利要求书

1.一种语音校验方法，其特征在于，所述方法应用于声纹校验系统，包括：

从待校验音频中提取声学谱参数，并根据所述声学谱参数确定所述待校验音频对应的音素序号序列；所述音素序号序列用于表征所述待校验音频中每个音素的元音发音特色；

根据所述音素序号序列，确定所述待校验音频对应的音素嵌入向量，所述音素嵌入向量及所述声学谱参数形成所述待校验音频的声学复合特征；根据所述声学复合特征，确定所述待校验音频的声纹向量；

获取所述待校验音频针对的待校验用户在所述声纹校验系统中预存的声纹模型；

基于所述声纹模型，对所述声纹向量进行校验；

基于校验结果，确定所述待校验音频是否为所述待校验用户产生的音频；

其中，从待校验音频中提取声学谱参数，并根据所述声学谱参数确定所述待校验音频对应的音素序号序列，包括：

采用音素对齐算法，将所述待校验音频切分为音素序列，所述音素序列包括按照时间先后顺序排列的多个音素；

根据所述声学谱参数及每一音素对应的起止时间，确定所述音素序列中每一音素的帧长度；

基于预设的音素ID编号表，确定每一音素对应的音素ID序号；

根据每一音素的帧长度及音素ID序号，确定所述待校验音频对应的音素序号序列；

其中，根据所述音素序号序列，确定所述待校验音频对应的音素嵌入向量，包括：

将所述音素序号序列输入语音合成系统，利用所述语音合成系统输出针对所述音素序号序列的音素嵌入向量；其中，所述语音合成系统的输入层中包括嵌入结构；所述嵌入结构中保存了多个可训练调优的音素向量，按照所述音素序号序列调取出来得到音素嵌入向量；

其中，所述音素嵌入向量及所述声学谱参数形成所述待校验音频的声学复合特征包括：

将所述音素嵌入向量与所述声学谱参数串接成一个长向量，将该长向量作为所述声学复合特征；其中，所述声学复合特征表征了一段音频的声学谱参数和元音的发音特征。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取训练数据集，所述训练数据集中包括多个用户的录音样本，其中，每个用户对应多个录音样本；

针对每个用户的多个录音样本，执行如下步骤：

提取该用户的所述多个录音样本各自的样本声学复合特征，所述样本声学复合特征包括声学谱参数和音素嵌入向量；

根据所述样本声学复合特征，确定所述多个录音样本各自的样本声纹向量；

确定各所述样本声纹向量的平均向量，将所述平均向量作为该用户在所述声纹校验系统中的声纹模型。

3.根据权利要求2所述的方法，其特征在于，所述声纹校验系统包括声纹提取层、余弦相似度计算层、逻辑回归层、误差计算层，针对所述训练数据集中的任意两个第一录音样本和第二录音样本，执行如下步骤：

获取所述第一录音样本的第一样本声纹向量，以及所述第一录音样本的第二样本声纹向量；

将所述第一样本声纹向量和所述第二样本声纹向量输入所述余弦相似度计算层，得到相似度；

将所述相似度输入所述逻辑回归层，得到相似度值；

确定所述第一录音样本和所述第二录音样本之间的标准值；

将所述相似度值和所述标准值输入所述误差计算层；

从所述误差计算层做神经网络的梯度回传，以更新所述声纹提取层和所述逻辑回归层。

4.根据权利要求3所述的方法，其特征在于，基于所述声纹模型，对所述声纹向量进行校验，包括：

将所述声纹向量与所述声纹模型输入所述余弦相似度计算层，得到向量余弦距离；

将所述向量余弦距离输入所述逻辑回归层，得到置信度；

基于校验结果，确定所述待校验音频是否校验成功，包括：

将所述置信度作为所述校验结果，判断所述置信度是否达到预设阈值；

若是，则确定所述待校验音频为所述待校验用户产生的音频；

若否，则确定所述待校验音频不为所述待校验用户产生的音频。