[发明专利]支持多唤醒词的说话人识别神经网络模型的训练方法、说话人识别方法及系统

权利要求书

1.支持多唤醒词说话人识别的神经网络模型的训练方法，其特征在于，包括

对设置的多个不同唤醒词分别收集来自多个说话人的音频数据进行数据处理，生成训练数据集；

构建用于说话人识别的神经网络模型，利用所述训练数据集对构建的神经网络模型进行训练，其实现为包括

构建一个具有一个主干部分和与设置的多个唤醒词分别一一对应的多个分类层的神经网络模型；

从训练数据集中获取训练数据进行以下训练过程，直至神经网络模型的参数收敛至预设范围：

将训练数据输入所述主干部分，并获取主干部分输出的中间表示；

将中间表示按唤醒词进行分类汇集，形成各唤醒词的中间表示集；

将各唤醒词的中间表示集的数据分别输入到与唤醒词对应的分类层，并在各分类层分别使用损失函数进行反向传播；

采用梯度下降法对神经网络模型的参数进行更新。

2.根据权利要求1所述的训练方法，其特征在于，所述对设置的多个不同唤醒词分别收集来自多个说话人的音频数据进行数据处理，生成训练数据集包括

对每个唤醒词，分别获取来自多个说话人的对应的音频数据集；

对每个唤醒词的音频数据集中的各个音频数据分别进行音频特征提取，形成音频特征数据集；

对提取出的各音频特征设置说话人标签，形成训练数据集；

所述将训练数据输入所述主干部分实现为将训练数据中的音频特征输入所述主干部分；

所述将中间表示按唤醒词进行分类汇集实现为将中间表示按输入的音频特征对应的唤醒词进行分类汇集。

3.根据权利要求2所述的训练方法，其特征在于，所述从训练数据集中获取训练数据是采用mini-batch的方式随机获取批量的训练数据。

4.支持多唤醒词的说话人识别方法，其特征在于，包括

在获取到实时音频数据时，使用训练好的神经网络模型的主干部分对所述实时音频数据提取中间表示，其中，所述训练好的神经网络模型包括一个主干部分和与设置的多个唤醒词分别一一对应的多个分类层；

获取注册音频的中间表示，将提取出的实时音频数据的中间表示与注册音频的中间表示进行比较，根据两者的相似度，确定是否为同一说话人，其中，所述注册音频的中间表示是使用所述训练好的神经网络模型的主干部分提取出的。

5.根据权利要求4所述的方法，其特征在于，所述将提取出的实时音频数据的中间表示与注册音频的中间表示进行比较，根据两者的相似度，确定是否为同一说话人包括

为注册音频设置相似度阈值；

计算实时音频数据的中间表示与注册音频中间表示的相似度，在存在实时音频数据的中间表示与注册音频的中间表示的相似度超过设置的相似度阈值时，确定所述实时音频数据的说话人与注册音频的说话人相同。

6.根据权利要求5所述的方法，其特征在于，所述计算实时音频数据的中间表示与注册音频的中间表示的相似度是通过打分方式进行相似度计算。

7.根据权利要求4至6任一项所述的方法，其特征在于，所述训练好的神经网络模型的训练方法包括

对设置的多个不同唤醒词分别收集来自多个说话人的音频数据进行数据处理，生成训练数据集；

从训练数据集中获取训练数据进行以下训练过程，直至神经网络模型的参数收敛至预设范围：

将训练数据输入所述主干部分，并获取主干部分输出的中间表示；

将中间表示按唤醒词进行分类汇集，形成各唤醒词的中间表示集；

将各唤醒词的中间表示集的数据分别输入到与唤醒词对应的分类层，并在各分类层分别使用损失函数进行反向传播；

采用梯度下降法对神经网络模型的参数进行更新。