[发明专利]声纹模型训练方法、装置、设备以及存储介质

权利要求书

1.一种声纹模型训练方法，包括：

获取训练样本集，其中，所述训练样本集包括多个样本说话人的音频；

提取所述多个样本说话人的音频的语音特征；

将所述语音特征输入到声纹模型，得到所述语音特征所属的说话人的分数和噪声的分数；

基于所述语音特征所属的说话人的分数和部分噪声的分数，训练所述声纹模型。

2.根据权利要求1所述的方法，其中，所述提取所述多个样本说话人的音频的语音特征，包括：

将所述多个样本说话人的音频从时域变换到频域，以及在频域上提取所述语音特征，其中，所述语音特征包括以下至少一项：梅尔频率倒谱系数MFCC、感知线性预测PLP、滤波器组FBank。

3.根据权利要求1所述的方法，其中，所述声纹模型是Xvector；以及

所述将所述语音特征输入到声纹模型，得到所述语音特征所属的说话人的分数和噪声的分数，包括：

将所述语音特征输入到Xvector，得到所述语音特征所属的说话人对应的输出节点输出的分数和噪声对应的输出节点输出的分数，其中，所述Xvector的输出节点与所述训练样本集对应的样本说话人一一对应，除所述语音特征所属的说话人对应的输出节点之外的输出节点是噪声对应的输出节点。

4.根据权利要求1所述的方法，其中，在所述基于所述语音特征所属的说话人的分数和部分噪声的分数，训练所述声纹模型之前，还包括：

基于所述训练样本集，估计噪声先验分布；

基于所述噪声先验分布，选取所述部分噪声的分数。

5.根据权利要求1所述的方法，其中，所述基于所述语音特征所属的说话人的分数和部分噪声的分数，训练所述声纹模型，包括：

将所述语音特征所属的说话人的分数和所述部分噪声的分数输入至损失函数，计算得到损失值；

基于所述损失值更新所述声纹模型的网络参数，直至所述声纹模型收敛。

6.一种声纹模型训练装置，包括：

获取模块，被配置成获取训练样本集，其中，所述训练样本集包括多个样本说话人的音频；

提取模块，被配置成提取所述多个样本说话人的音频的语音特征；

识别模型，被配置成将所述语音特征输入到声纹模型，得到所述语音特征所属的说话人的分数和噪声的分数；

训练模块，被配置成基于所述语音特征所属的说话人的分数和部分噪声的分数，训练所述声纹模型。

7.根据权利要求6所述的装置，其中，所述提取模块进一步被配置成：

将所述多个样本说话人的音频从时域变换到频域，以及在频域上提取所述语音特征，其中，所述语音特征包括以下至少一项：梅尔频率倒谱系数MFCC、感知线性预测PLP、滤波器组FBank。

8.根据权利要求6所述的装置，其中，所述声纹模型是Xvector；以及

所述识别模块进一步被配置成：

将所述语音特征输入到Xvector，得到所述语音特征所属的说话人对应的输出节点输出的分数和噪声对应的输出节点输出的分数，其中，所述Xvector的输出节点与所述训练样本集对应的样本说话人一一对应，除所述语音特征所属的说话人对应的输出节点之外的输出节点是噪声对应的输出节点。

9.根据权利要求6所述的装置，其中，所述装置还包括：

估计模块，被配置成基于所述训练样本集，估计噪声先验分布；

选取模块，被配置成基于所述噪声先验分布，选取所述部分噪声的分数。

10.根据权利要求6所述的装置，其中，所述训练模块进一步被配置成：

将所述语音特征所属的说话人的分数和所述部分噪声的分数输入至损失函数，计算得到损失值；

基于所述损失值更新所述声纹模型的网络参数，直至所述声纹模型收敛。