[发明专利]说话人验证方法及系统

说明书

本发明实施例提供一种说话人验证方法。该方法包括：将待验证语音转化为音频序列；将音频序列输入至基于transformer的固定窗口大小的自注意力块，使待验证语音中各帧的自注意力的可视范围限制在各帧语音的相邻帧，得到局部自注意力的说话人特征；将局部自注意力的说话人特征输入至前馈网络，得到说话人验证结果。本发明实施例还提供一种说话人验证系统。本发明实施例提出了三种改进的自我注意方法，包括局部自注意力、高斯自注意力和卷积自注意力。前两种方法通过限制注意的大小来实现目标，后一种方法通过结合卷积来获得性能增益，总的提升说话人验证效果。

技术领域

本发明涉及智能语音领域，尤其涉及一种说话人验证方法及系统。

背景技术

说话人验证是一种利用所发出的语音来验证说话人身份的任务。对于两个话语，典型的说话人验证系统可以提取说话人嵌入，自动判断两个话语是否属于同一个说话人。一般来说，一个典型的说话人验证系统包括两部分。第一种是嵌入提取，用于从话语中提取定长说话人表示。另一种是后端判断模型，其目的是计算说话者嵌入向量之间的相似性。

随着深度学习方法在其他领域的广泛应用，深度神经网络的有效性得到了广泛的证明。由于transformer强大的建模和并行计算能力，它已成为自然语言处理和自动语音识别领域最流行的方法。例如由transformer作为主要架构的说话人验证系统S-vector，可以进行说话人验证。

在实现本发明过程中，发明人发现相关技术中至少存在如下问题：

基于自注意力的S-vector，往往注重建模全局信息，忽略局部信息，然而说话人信息往往反映在局部节奏变化中，使得基于自注意力的说话人验证系统对于局部节奏变化的说话人语音验证不够准确。

发明内容

为了至少解决现有技术中说话人验证注重建模全局信息，忽略局部信息，对于局部节奏变化的说话人语音验证不够准确的问题。第一方面，本发明实施例提供一种说话人验证方法，包括：

将待验证语音转化为音频序列；

将所述音频序列输入至基于transformer的固定窗口大小的自注意力块，使所述待验证语音中各帧的自注意力的可视范围限制在所述各帧语音的相邻帧，得到局部自注意力的说话人特征；

将所述局部自注意力的说话人特征输入至前馈网络，得到说话人验证结果。

第二方面，本发明实施例提供一种说话人验证系统，包括：

音频序列转化程序模块，用于将待验证语音转化为音频序列；

特征限制程序模块，用于将所述音频序列输入至基于transformer的固定窗口大小的自注意力块，使所述待验证语音中各帧的自注意力的可视范围限制在所述各帧语音的相邻帧，得到局部自注意力的说话人特征；

说话人验证程序模块，用于将所述局部自注意力的说话人特征输入至前馈网络，得到说话人验证结果。

第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的说话人验证方法的步骤。

第四方面，本发明实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现本发明任一实施例的说话人验证方法的步骤。

本发明实施例的有益效果在于：为了更好地关注transformer中的局部信息，本方法提出了三种改进的自我注意方法，包括局部自注意力、高斯自注意力和卷积自注意力。前两种方法通过限制注意的大小来实现目标，后一种方法通过结合卷积来获得性能增益，总的提升说话人验证效果。

附图说明