[发明专利]一种基于说话人声纹信息的自动识别身份的方法

说明书

本发明公开了一种基于说话人声纹信息的自动识别身份的方法和存储方法，会议开始前，语音降噪模块录制一段环境音作为会议的背景噪声；语音分割模块将连续的会议录音分隔根据发言间隔分割为录音片段；声纹识别模块以所述语音片段作为输入，输出一段固定长度的向量作为该语音片段的声纹向量；会议说话人识别模块将所述声纹向量和本地声纹库中所有的声纹向量进行比对，选取本地声纹库中相似度最高的一条声纹，根据相似度，判断说话人是否为已注册人；若两条声纹向量的相似度大于阈值0.7，则判断两条声纹属于同一说话人，为已注册人；反之则不属于同一说话人，为未注册人。

技术领域

本发明涉及多媒体技术领域，更具体的是，本发明涉及用于说话人声纹信息自动识别身份的方法和存储方法。

背景技术

每个人的声音都有自己的生物特征。声纹识别是一种利用说话人的声音来识别说话人身份的技术。声纹识别技术像指纹识别一样具有高度的安全性和可靠性，可以在任何场合做身份识别。如在刑事调查、银行、证券、保险等金融领域。与传统的识别技术相比，声纹识别的优点是声纹提取过程简单，成本低，具有独特性，不易伪造和造假。

目前常见的会议记录软件专注于录音与语音识别，均未做到说话人识别的功能，往往是只进行会议内容的记录，并不进行说话人的标记。在做会议记录时，通常需要对会议进行录音，由后期的会议整理人员进行手动标记，这样的方式费时费力，而且容易疏漏。

发明内容

本发明设计开发了一种说话基于说话人声纹信息的自动识别身份的方法，自动识别会议中的发言人身份。

本发明的另一个技术问题是，对说话人的身份进行标记，并且声纹识别陌生人并进行存储。

一种基于说话人声纹信息的自动识别身份的方法，

会议开始前，语音降噪模块录制一段环境音作为会议的背景噪声；

语音分割模块将连续的会议录音分隔根据发言间隔分割为录音片段；

声纹识别模块以所述语音片段作为输入，输出一段固定长度的向量作为该语音片段的声纹向量；

会议说话人识别模块将所述声纹向量和本地声纹库中所有的声纹向量进行比对，选取本地声纹库中相似度最高的一条声纹，根据相似度，判断说话人是否为已注册人；

其中，比较两条声纹向量a,b的相似度：

若两条声纹向量的相似度大于阈值0.7，则判断两条声纹属于同一说话人，为已注册人；反之则不属于同一说话人，为未注册人。

作为一种优选，利用说话人发言的间隙将会议录音分割为录音片段。

作为一种优选，会议过程中持续录音，当检测到的分贝数大于背景噪声分贝数的1.5倍时，判定当前有发言人正在发言，当检测到分贝数小于背景噪声分贝数的1.5倍并且持续大于200毫秒时，判定说话人的间隙，进行语音切割。

作为一种优选，所述声纹识别模块提取语音片段的MFCC作为语音特征，将语音特征输入时延神经网络的深度神经网络模型提取第一个全连接层的输出作为声纹向量；

其中，时延神经网络包括：第一时延神经网络层，跨度[-2,2]；第二时延神经网络层，跨度[-1,2]；第三时延神经网络层，跨度[-3,3]；第四时延神经网络层，跨度[7,2]；统计池化层；全连接层；

输入参数为长度为256的23维MFCC语音特征，输出为第一个全连接层的输出，为一个512维向量作为该语音片段的声纹向量。

作为一种优选，当最大相似度小于阈值，认为该段录音片段属于陌生说话人，会将该录音片段标记为陌生人并编号后加入本地声纹库。