[发明专利]基于多麦克风场景的主说话人语音检测方法、装置及设备

权利要求书

1.一种基于多麦克风场景的主说话人语音检测方法，所述方法包括：

基于语音场景设置的多个预设麦克风对应的多个预设语音通道，获取所述预设语音通道传输的语音数据；

基于所述语音数据，获取所述语音数据包含的主说话人的声纹特征；

对所述语音数据及所述声纹特征进行多语音通道融合编码，以提取所述语音数据及所述声纹特征所包含的所述主说话人的语音隐藏向量序列数据；

将所述语音隐藏向量序列数据进行解码，得到所述主说话人的主说话人语音数据。

2.根据权利要求1所述基于多麦克风场景的主说话人语音检测方法，其特征在于，所述基于所述语音数据，获取所述语音数据包含的主说话人的声纹特征的步骤包括：

将所述语音数据按照所述语音数据对应的时间顺序进行切片处理，得到多个语音切片数据；

将所述语音切片数据输入至基于残差网络的预设声纹检测模型，以提取所述语音切片数据包含的切片声纹特征；

将所有所述切片声纹特征进行聚类，得到目标声纹特征，并将所述目标声纹特征作为所述语音数据包含的主说话人的声纹特征。

3.根据权利要求2所述基于多麦克风场景的主说话人语音检测方法，其特征在于，所述将所述语音切片数据输入至基于残差网络的预设声纹检测模型，以提取所述语音切片数据包含的切片声纹特征的步骤包括：

判断所述语音切片数据是否表征静音场景；

若所述语音切片数据不表征静音场景，将所述语音切片数据作为目标语音切片数据；

将所有所述目标语音切片数据输入至基于残差网络的预设声纹检测模型，以提取所述语音切片数据包含的切片声纹特征。

4.根据权利要求2所述基于多麦克风场景的主说话人语音检测方法，其特征在于，所述将所述语音数据按照所述语音数据对应的时间顺序进行切片处理，得到多个语音切片数据的步骤包括：

获取所述语音数据对应的语音数据张量，所述语音数据张量包含述语音数据对应的时间轴；

将所述语音数据张量沿所述时间轴切分为重叠的切片，得到多个语音切片数据。

5.根据权利要求2所述基于多麦克风场景的主说话人语音检测方法，其特征在于，所述将所有所述切片声纹特征进行聚类，得到目标声纹特征的步骤包括：

基于预设凝聚式层次分类，将所有所述切片声纹特征进行合并，得到声纹特征二叉树；

根据所述声纹特征二叉树，确定目标声纹特征。

6.根据权利要求5所述基于多麦克风场景的主说话人语音检测方法，其特征在于，所述根据所述声纹特征二叉树，确定目标声纹特征的步骤包括：

根据所述声纹特征二叉树，确定所述声纹特征二叉树所包含的聚类中所有样本对各自的邻近度均小于或者等于预设邻近度阈值的所有初始聚类，其中，所述样本对为聚类过程中每次进行聚类的一对所述切片声纹特征；

筛选出所有所述初始聚类中节点成员最多的聚类作为目标聚类；

获取所述目标聚类的中心点对应的切片声纹特征，并将所述中心点对应的切片声纹特征作为目标声纹特征。

7.根据权利要求1所述基于多麦克风场景的主说话人语音检测方法，其特征在于，所述对所述语音数据及所述声纹特征进行多语音通道融合编码，以提取所述语音数据及所述声纹特征所包含的所述主说话人的语音隐藏向量序列数据的步骤包括：

基于预设语音通道间自注意力模块，根据所述声纹特征，获取所述语音数据对应的多个语音通道之间所包含的隐藏语音通道声纹特征；

基于预设时域自注意力模块，根据所述声纹特征，获取所述语音数据对应的每个所述语音通道在时间轴上所包含的隐藏时间轴声纹特征；

将所述隐藏语音通道声纹特征与所述隐藏时间轴声纹特征组合成序列，得到所述语音数据及所述声纹特征所包含的所述主说话人的语音隐藏向量序列数据。