[发明专利]一种说话者确认方法及系统

说明书

本发明提供一种说话者确认方法及系统，包括：对说话者的音频信息进行预处理，将所述音频信息转换为预设格式的数据；将说话者音频信息对应的预设格式的数据输入到训练好的基于空间注意力机制的深度嵌套残差神经网络，以得到帧级别的说话者向量；基于所述帧级别的说话者向量生成话语级别的说话者向量，并计算所述话语级别的说话者向量和目标说话者向量的余弦相似度，以判断所述说话者是否为目标说话者；所述目标说话者向量是预先获取的。本发明提出了一种基于空间注意力机制的深度嵌套残差神经网络，通过深度神经网络更准确地提取说话者声纹特征。

技术领域

本发明属于说话者识别领域，更具体地，涉及一种说话者确认方法及系统。

背景技术

声纹是对语音中所蕴含的、能表征和标志说话者的语音特征，以及基于这些特征所建立的语音模型的总称。语言作为人际交往中必须的媒介，承载着十分重要的作用。人在成年以后声音很难发生改变，由于发音器官和发音方式的不同，每个人在说话过程中所蕴含的语音特征都是独一无二的，即使被模仿也很难改变说话者最基本的发音特质和声道特征。因此根据声纹的唯一标识性和短时平稳性，本发明能够对语音建立模型并用于身份认证。

声纹识别又叫做说话者识别，是根据待识别的目标说话者声纹特征来确定目标说话者的过程。说话者识别任务从根本上可以分为两类：说话者辨认和说话者确认，说话者辨认是指给出一个声纹样本，从已经训练好的语料库中匹配是否是目标说话者的身份，是个一对一的确认问题；说话者确认是指确认出目标声纹的身份属于语料库中的哪一个说话者的样本，是个多对一的选择问题。

说话者确认方法在人们的日常工作生活中具有十分重要的意义，尽管目前很多国内外研究者已经提出了一系列成熟的说话者确认方法例如GMM-UBM高斯混合-通用背景模型、LSTM长短时记忆网络模型以及CNN卷积神经网络模型等，但是在研究方法、模型效果以及应用场景上面仍然存在很多的问题和改进空间。

现有说话者确认方法的不足主要有以下几点：1、基于传统的GMM-UBM高斯混合-通用背景模型的方法居多，技术手段仍然停留在最传统的模型匹配阶段。随着社会进步科技高速发展，传统方法在处理大量的数据信息是就体现了复杂性和困难。2、说话者的声纹中包含了很多有效的说话者信息，且说话者音频极易受环境、录音设备以及说话者自身等多种因素的影响。现存的深度学习说话者确认算法中无法更好地提取说话者特征，整体效果有待提升。3、不同场景以及不同语言的说话者确认方法是目前声纹识别的挑战所在，显存的说话者确认方法无法将跨语言数据对模型识别效果的影响降至最低，在跨语言识别研究中效果不够理想。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种说话者确认方法及系统，旨在解决现有说话人识别神经网络系统中识别准确率低和网络规模庞大的问题。

为实现上述目的，第一方面，本发明提供了一种说话者确认方法，包括如下步骤：

对说话者的音频信息进行预处理，将所述音频信息转换为预设格式的数据；

将说话者音频信息对应的预设格式的数据输入到训练好的基于空间注意力机制的深度嵌套残差神经网络，以得到帧级别的说话者向量；所述基于空间注意力机制的深度嵌套残差神经网络包括：四层每层包含两个嵌套残差块的残差神经网络和空间注意力机制；在嵌套残差神经网络之后引入空间注意力机制，所述空间注意力机制基于空间维度在注意力模块中引入平均池化和最大池化，并将两部分池化结果合并，以保留有用信息减少参数规模，以及在注意力模块的激活层中使用sigmoid函数，以获得帧级别的说话者向量；

基于所述帧级别的说话者向量生成话语级别的说话者向量，并计算所述话语级别的说话者向量和目标说话者向量的余弦相似度，以判断所述说话者是否为目标说话者；所述目标说话者向量是预先获取的。

在一个可选的示例中，所述对说话者的音频信息进行预处理，将所述音频信息转换为预设格式的数据，具体为：