一种声纹识别的方法、装置、计算机设备及存储介质
本申请公开了一种声纹识别的方法、装置、计算机设备及存储介质，属于人工智能技术领域，所述方法获取待识别语音并进行分帧处理，得到音频帧集合；对音频帧进行傅里叶变换，得到语音数据的序列信息；将序列信息输入到预先训练好的自注意力声纹识别模型，获取音频帧的声纹特征矩阵；拼接声纹特征矩阵，得到待识别语音的声纹识别结果。此外，本申请还涉及区块链技术，待识别语音可存储于区块链中。本申请通过采用神经网络来进行声纹识别模型的训练与预测，并采用自注意力机制将语音特征映射到隐空间分别进行处理，最后拼接所有音频帧的处理结果得到待识别语音的识别结果，本身可以实现并行操作，在保证识别效率的同时兼顾识别精度。
发明专利
CN202011359381.4
2020-11-27
CN112562691A
2021-03-26
G10L17/02(2013.01)
平安科技(深圳)有限公司
陈闽川;马骏;王少军
518000 广东省深圳市福田区福田街道福安社区益田路5033号平安金融中心23楼
深圳市世联合知识产权代理有限公司
汪琳琳
广东;44
1.一种声纹识别的方法，其特征在于，包括： 获取待识别语音，并对获取到的所述待识别语音进行分帧处理，得到所述待识别语音的音频帧集合，其中，所述音频帧集合包括若干个音频帧； 提取每一个所述音频帧中的语音数据，对所述语音数据进行傅里叶变换，得到所述语音数据的序列信息； 将所述序列信息输入到预先训练好的自注意力声纹识别模型进行声纹特征识别，获取每一个所述音频帧的声纹特征矩阵； 按照矩阵拼接的形式对得到的每一个所述音频帧的声纹特征矩阵进行拼接，得到所述待识别语音的声纹识别结果。 2.如权利要求1所述的声纹识别的方法，其特征在于，在所述将所述序列信息输入到预先训练好的自注意力声纹识别模型进行声纹特征识别，获取每一个所述音频帧的声纹特征矩阵的步骤之前，还包括： 在历史语音数据库中获取语音训练数据集，对所述语音训练数据集进行MFCC特征提取，以获取所述语音训练数据集的MFCC声学特征； 通过所述语音训练数据集的MFCC声学特征估算声纹识别模型的模型参数； 搭建自注意力网络函数，并将所述自注意力网络函数嵌入到预设的通用模型的隐藏层； 将所述声纹识别模型的模型参数导入到所述通用模型中，并利用所述语音训练数据集对所述通用模型进行训练，得到自注意力声纹识别模型。 3.如权利要求2所述的声纹识别的方法，其特征在于，在所述将所述神经网络模型的模型参数导入到所述通用模型中，并利用所述语音训练数据集对所述通用模型进行训练，得到自注意力声纹识别模型的步骤之后，还包括： 在历史语音数据库中获取语音验证数据集，并将所述语音验证数据集导入到所述自注意力声纹识别模型中，输出预测结果； 基于预测结果与预设标准结果，使用反向传播算法进行拟合，获取预测误差； 将预测误差与预设阈值进行比较，若预测误差大于预设阈值，则对自注意力声纹识别模型进行迭代更新，直到预测误差小于或等于预设阈值为止，获取训练完成的自注意力声纹识别模型。 4.如权利要求2所述的声纹识别的方法，其特征在于，所述自注意力声纹识别模型包括输入层、隐藏层和输出层，所述隐藏层包括若干个隐空间，所述将所述序列信息输入到预先训练好的自注意力声纹识别模型进行声纹特征识别，获取每一个所述音频帧的声纹特征矩阵的步骤，具体包括： 通过所述输入层在所述音频帧的序列信息中提取出所述音频帧的初始特征张量，以及对所述初始特征张量进行标准化，得到标准特征张量； 通过所述隐藏层对所述标准特征张量进行仿射变换，根据所述仿射变换的结果，将所述标准特征张量映射到所述隐空间内，以及基于所述标准特征张量计算所述音频帧的声纹特征矩阵； 通过所述输出层输出所述音频帧的声纹特征矩阵。 5.如权利要求4所述的声纹识别的方法，其特征在于，所述基于所述标准特征张量计算所述音频帧的声纹特征矩阵的步骤，具体包括： 对所述标准特征张量进行矩阵特征转化，将所述标准特征张量转化为标准特征矩阵； 获取所述隐空间的参数矩阵； 基于所述标准特征矩阵和所述隐空间的参数矩阵计算所述音频帧的声纹特征矩阵。 6.如权利要求2所述的声纹识别的方法，其特征在于，所述按照矩阵拼接的形式对得到的每一个所述音频帧的声纹特征矩阵进行拼接，得到所述待识别语音的声纹识别结果的步骤，具体包括： 根据所述自注意力网络函数中的注意力矩阵函数对所述音频帧的声纹特征矩阵进行注意力矩阵运算，得到权重矩阵； 通过所述权重矩阵对所述音频帧的声纹特征矩阵进行加权计算，得到所述音频帧的语音特征权值； 基于所述语音特征权值拼接每一个所述音频帧的声纹特征矩阵，得到所述待识别语音的声纹特征矩阵集合； 通过所述声纹特征矩阵集合获取所述待识别语音的声纹识别结果。 7.如权利要求1至6任意一项所述的声纹识别的方法，其特征在于，在所述获取待识别语音，并对获取到的所述待识别语音进行分帧处理，得到所述待识别语音的音频帧集合的步骤之前，还包括： 接收语音识别请求，将所述语音识别请求导入消息队列； 获取消息队列中的所述语音识别请求，根据所述语音识别请求生成请求指令； 通过所述请求指令控制预设的语音采集设备运行，以采集所述待识别语音；以及 在所述采集所述待识别语音之后，还包括： 利用语音端点检测算法对所述待识别语音进行语音边界检测，去除所述待识别语音中的静音区段； 对去除静音区段的所述待识别语音进行预处理，其中，所述预处理包括预加重、前值滤波、高频补偿和加窗。 8.一种声纹识别的装置，其特征在于，包括： 分帧模块，用于获取待识别语音，并对获取到的所述待识别语音进行分帧处理，得到所述待识别语音的音频帧集合，其中，所述音频帧集合包括若干个音频帧； 变换模块，用于提取每一个所述音频帧中的语音数据，对所述语音数据进行傅里叶变换，得到所述语音数据的序列信息； 识别模块，用于将所述序列信息输入到预先训练好的自注意力声纹识别模型进行声纹特征识别，获取每一个所述音频帧的声纹特征矩阵； 拼接模块，用于按照矩阵拼接的形式对得到的每一个所述音频帧的声纹特征矩阵进行拼接，得到所述待识别语音的声纹识别结果。 9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的声纹识别的方法的步骤。 10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的声纹识别的方法的步骤。