[发明专利]一种基于语谱图和注意力机制的声纹识别方法

说明书

本发明公开了一种基于语谱图和注意力机制的声纹识别方法，包括步骤：数据预处理，将语音语料进行处理；特征提取，提取语谱图作为输入特征；特征处理，将语谱图输入卷积神经网络，利用卷积神经网络对多语谱图进行自动优化和降维；模型训练，利用X‑Vector说话人识别模型对语谱图特征进行训练，并引入注意力机制对帧级别特征进行权重处理；打分判决，对两个待测样本的似然对数比得分和预设条件进行判定，给出两个样本是否为同一个说话人的判断。和现有X‑Vector说话人识别技术相比，本发明引入卷积神经网络和语谱图，能更好地捕获说话人特征，并且采用注意力机制对统计层进行训练，成本低，效率高，提高了说话人识别系统的性能。

技术领域

本发明涉及说话人识别领域，尤其涉及一种基于语谱图和注意力机制的声纹识别方法。

背景技术

随着科技的发展，用户身份认证方式发生了巨大的变化，声纹识别由于简单易行，可以抵抗回放攻击，广泛应用在声纹支付、声纹考勤、声纹门禁、社保认证等领域，应用前景广泛。

然而，声纹识别在实际应用中，由于应用场景复杂多变，存在噪声，导致声纹识别系统的鲁棒性不足，识别准确率下降。

发明内容

为克服传统说话人识别技术的鲁棒性差，系统抗噪能力弱的不足，本发明提出一种基于语谱图和注意力机制的声纹识别方法，以有效的提高说话人识别的鲁棒性和准确率。

本发明的技术方案是这样实现的，一种基于语谱图和注意力机制的声纹识别方法，包括步骤

S1：数据预处理，将语音语料利用Kaldi语音识别工具进行处理；

S2：特征提取，利用Kaldi语音识别工具提取语谱图(Spectrogram)作为输入特征；

S3：特征处理，将所述语谱图输入卷积神经网络，利用卷积神经网络对多语谱图进行自动优化和降维；

S4：模型训练，利用X-Vector模型对语谱图特征进行训练，并引入注意力机制对帧级别特征进行权重处理；

S5：打分判决，利用概率线性判别分析算法PLDA(Probability LinearDiscriminant Analysis)对两个待测样本的似然对数比得分和预设条件进行判定，给出两个样本是否为同一个说话人的判断。

进一步地，所述步骤S1数据预处理的实现步骤包括

S11，语音语料采用Voxceleb1语音数据库；

S12，利用Kaldi生成spk2utt、utt2spk和wav.scp等文件。

进一步地，所述步骤S2所述提取语谱图实现包括步骤

S21，将语音信号输入Kaldi语音识别工具；

S22，对语音信号进行分帧加窗；

S23，对分帧加窗后的语音信号进行傅里叶变换；

S24，对傅里叶变换后的语音信号进行能量密度计算；

S25，对经能量密度计算后的语音信号以时间为横轴，频率为纵轴，将每一帧信号按照时序进行连接，得到语音信号的语谱。

进一步地，所述步骤S4中所述的引入注意力机制对帧级别特征进行权重处理实现，包括步骤

S41，在对语音信号处理时，将信号进行分帧处理，每一帧都用相应的向量表示，使得一个语音信号用一个矩阵X＝(x₁,x₂,…,x_i,…,x_t)表示，其中x_i代表第i帧的向量，维度为d维，故X∈R^t×d；