[发明专利]说话人分离方法、装置和系统及存储介质

说明书

本发明提供一种说话人分离方法、装置和系统及存储介质。方法包括：获取待分离音频；对待分离音频的音频部分进行跳变点检测；在跳变点出现的位置进行音频划分；确定任一当前音频段是否是音频部分中的第一个音频段；如果是第一个音频段，则将当前音频段所对应的声纹特征作为新已知说话人的声纹特征存储到声纹库；如果不是第一个音频段，则将当前音频段所对应的声纹特征与声纹库中的声纹特征进行对比；如果当前音频段不属于任何已知说话人，则将当前音频段所对应的声纹特征作为新已知说话人的声纹特征存储到声纹库；如果当前音频段属于任一特定已知说话人，则记录当前音频段与特定已知说话人之间的关联关系。可以提高说话人分离的准确率及效率。

技术领域

本发明涉及语音处理技术领域，具体地，涉及一种说话人分离方法、装置和系统及存储介质。

背景技术

如今语音识别技术越来越普及，已广泛应用到各个领域。但是将音频识别成文本之后，如何将每个说话人对应的识别文本进行归类是目前面临的一个棘手的问题。上述归类问题可以采用说话人分离(或称角色分离)技术解决。说话人分离技术可以按照不同的说话人对语音数据中各帧音频数据进行分类整理，将属于同一个说话人的多帧音频数据标记出来。

目前常用的说话人分离方法主要包括训练一个端到端的说话人分离模型并利用该模型进行说话人分离。然而，这种基于说话人分离模型的算法计算量大，且识别性能也并不够好。

发明内容

为了至少部分地解决现有技术中存在的问题，提供一种说话人分离方法、装置和系统及存储介质。

根据本发明一个方面，提供一种说话人分离方法，包括：获取待分离音频；对待分离音频的音频部分进行跳变点检测，音频部分为待分离音频的至少一部分；在跳变点出现的位置进行音频划分，以将音频部分划分为一个或多个音频段；确定一个或多个音频段中的任一当前音频段是否是音频部分中的第一个音频段；如果当前音频段是第一个音频段，则将当前音频段所对应的声纹特征作为新已知说话人的声纹特征存储到声纹库，声纹库用于存储一个或多个已知说话人各自的声纹特征集合，每个声纹特征集合包括至少一组声纹特征；如果当前音频段不是第一个音频段，则将当前音频段所对应的声纹特征与声纹库中的声纹特征进行对比，以确定当前音频段是否属于声纹库中的已知说话人；如果当前音频段不属于任何已知说话人，则将当前音频段所对应的声纹特征作为新已知说话人的声纹特征存储到声纹库；如果当前音频段属于任一特定已知说话人，则记录当前音频段与特定已知说话人之间的关联关系。

示例性地，在如果当前音频段不是第一个音频段，则将当前音频段所对应的声纹特征与声纹库中的声纹特征进行对比，以确定当前音频段是否属于声纹库中的已知说话人之后，方法还包括：如果当前音频段属于任一特定已知说话人，则将当前音频段所对应的声纹特征添加到声纹库中的与特定已知说话人相对应的声纹特征集合中。

示例性地，在如果当前音频段属于任一特定已知说话人，则将当前音频段所对应的声纹特征添加到声纹库中的与特定已知说话人相对应的声纹特征集合中之前，方法还包括：如果声纹库中与特定已知说话人相对应的声纹特征的数目达到预设数目，则：对于特定声纹特征集合中的每个声纹特征，计算该声纹特征与特定声纹特征集合中的其他声纹特征之间的相似度，以获得该声纹特征的声纹相似度；判断当前音频段所对应的声纹特征的声纹相似度是否最低；如果当前音频段所对应的声纹特征的声纹相似度不是最低，则将声纹相似度最低的声纹特征从声纹库中删除；其中，将当前音频段所对应的声纹特征添加到声纹库中的与特定已知说话人相对应的声纹特征集合中的步骤在当前音频段所对应的声纹特征的声纹相似度不是最低的情况下执行；并且其中，特定声纹特征集合包括声纹库中当前存储的与特定已知说话人相对应的声纹特征以及当前音频段所对应的声纹特征。