[发明专利]一种基于变分信息瓶颈的声纹识别方法及系统

权利要求书

1.一种基于变分信息瓶颈的声纹识别方法，其特征在于，包括：

S1：获取原始语音数据；

S2：构建引入变分信息瓶颈的声纹识别模型，其中，声纹识别模型包括声学特征参数提取层、帧级特征提取网络、特征聚合层、变分信息瓶颈层以及分类器，其中，声学特征参数提取层用于将输入的原始语音波形转换为声学特征参数FBank，帧级特征提取网络用于采用一次聚合方式从声学特征参数FBank中提取多尺度多频率的帧级说话人信息，得到帧级特征向量，特征聚合层用于将帧级特征向量转换为低维句子级特征向量，变分信息瓶颈层用于对句子级特征向量中的信息进一步压缩，保留与说话人身份相关的信息，去除与说话人身份无关的信息，得到说话人嵌入，说话人嵌入为表示说话人身份的特征向量，分类器用于根据说话人嵌入得到声纹识别的结果；

S3：将获取的原始语音数据作为训练数据对声纹识别模型进行训练，利用神经网络反向传播算法更新模型参数，最小化损失函数直到损失函数收敛，保存模型参数，得到训练好的声纹识别模型；

S4：利用训练好的声纹识别模型对输入的语音数据进行识别。

2.如权利要求1所述的声纹识别方法，其特征在于，声学特征参数提取层的处理过程包括：输入原始语音波形，对语音依次进行预加重、分帧、加窗、离散傅里叶变换、幅值平方运算、应用梅尔滤波器组和取对数操作，得到声学特征参数FBank。

3.如权利要求1所述的声纹识别方法，其特征在于，步骤S2中帧级特征提取网络包括3个二维卷积层和4个一次聚合模块，一次聚合模块即为OSA模块，每个OSA模块包含5个二维卷积层、1个1×1卷积层和一个超轻量级子空间注意力机制ULSAM；二维卷积层的卷积核大小为3×3，步长为32，每个卷积层的输出连接到下一个卷积层，同时通过短连接与最后一个卷积层的输出进行拼接；每个OSA模块后接一个最大池化层，其卷积核为3×3，步长为2；子空间注意力机制将特征图分为g个组，称为g个子空间，每个组有G个特征图，每个子空间生成一个注意力图，将g个注意力图拼接作为输出。

4.如权利要求1所述的声纹识别方法，其特征在于，步骤S2中特征聚合层包含1个池化层，池化层采用时域平均池化方法，信号输出尺寸为1×1。

5.如权利要求1所述的声纹识别方法，其特征在于，步骤S2中变分信息瓶颈层包括1个全连接层和1个仿射变换层，利用重参数方法实现反向传播；

其中，句子级特征向量首先输入到全连接层，该全连接层的节点数为1024；将全连接层的输出特征向量均分为两个向量，其中一个特征向量作为均值μ，另一个特征向量经过softplus函数转换作为方差σ；重参数方法首先生成一个均值为0，方差为1的高斯分布，从这个高斯分布中采样数据，记作∈，然后经过放缩平移后得到目标分布z，z的计算过程如下式：

其中，μ和σ分别是平移参数和放缩参数，即全连接层输出的均值和方差；

输出的特征向量z输入到仿射变换层，该仿射变换层是1个节点数为512的全连接层，将z映射为固定的512维向量；对向量z做L2归一化操作，得到表示说话人身份的特征向量，即说话人嵌入。

6.如权利要求1所述的声纹识别方法，其特征在于，S2中分类器使用余弦距离计算说话人嵌入之间的相似度分数，计算公式如下式：

其中x_i,x_j分别表示从两份语音数据对应的音频文件中提取到的说话人嵌入。