CN111063359B - 电话回访有效性判别方法、装置、计算机设备和介质 - Google Patents
电话回访有效性判别方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN111063359B CN111063359B CN201911349631.3A CN201911349631A CN111063359B CN 111063359 B CN111063359 B CN 111063359B CN 201911349631 A CN201911349631 A CN 201911349631A CN 111063359 B CN111063359 B CN 111063359B
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- group
- information
- similarity
- validity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 259
- 230000001755 vocal effect Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 22
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000012795 verification Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/22—Interactive procedures; Man-machine interfaces
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请涉及计算机技术领域，特别涉及一种电话回访有效性判别方法、装置、计算机设备和介质。所述方法包括：获取电话回访业务对应的声纹数据，所述声纹数据中携带有用户标识；根据所述用户标识对所述声纹数据中的声纹信息进行分组，得到声纹组；对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度；根据所述相似度得到各所述声纹组的有效性；根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效。采用本方法能够提高对电话回访有效性判别的效率。
Description
技术领域
本申请涉及如计算机技术领域，特别是涉及一种电话回访有效性判别方法、装置、计算机设备和介质。
背景技术
企业中对于用户电话回访的回访对象具有要求，如只有回访对象与办理业务的人为同一个人时，回访才是有效回访，如保险监管部门关于用户办理的新契约的电话回访工作中要求回访对象必须为投保本人，当判别回访对象不是本人时，判断此次回访为无效回访。
传统技术中对电话回访的用户资格审核是通过人工询问的方式进行确认，使得对电话回访有效性判别的准确率低下。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高电话回访有效性判别的电话回访有效性判别方法、装置、计算机设备和存储介质。
一种电话回访有效性判别方法，包括：获取电话回访业务对应的声纹数据，所述声纹数据中携带有用户标识；
根据所述用户标识对所述声纹数据中的声纹信息进行分组，得到声纹组；
对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度；
根据所述相似度得到各所述声纹组的有效性；
根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效。
在一个实施例中，所述根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度，包括：
按照预设规则对所述声纹组中的所述声纹信息进行组合，得到声纹对；
根据所述声纹对中的各所述声纹信息对应的声纹特征向量，计算各所述声纹组中所述声纹信息之间的相似度。
在一个实施例中，所述根据所述相似度得到各所述声纹组的有效性，包括：
当所述声纹组中存在所述声纹对的相似度不符合预设相似度阈值时，停止对未进行相似度计算的声纹对的继续计算，得到所述声纹组的有效性为无效声纹组；
当所述声纹组中各所述声纹对的相似度均符合预设相似度阈值时，得到所述声纹组的有效性为有效声纹组；
当所述声纹组中存在所述声纹对的相似度无法判断，并且所述声纹组中不存在所述声纹对的相似度不符合预设相似度阈值时，得到所述声纹组的有效性为无法判别声纹组；
获取各所述有效性的优先级，根据所述优先级将所述声纹组与对应的有效性进行关联存储。
在一个实施例中，所述根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效，包括：
获取所述声纹组关联的有效性的优先级；
根据所述有效性的优先级依次判断所述用户标识对应的电话回访是否有效。
在一个实施例中，所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，包括：
获取所述声纹信息对应的语音频率域特征图；
将所述语音频率域特征图输入预先训练的声纹识别模型，以通过所述声纹识别模型提取所述语音频率域特征图对应的声纹特征向量组；
将所述声纹特征向量组中的待处理声纹特征向量进行加权平均计算，得到声纹特征向量。
在一个实施例中，所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，包括：
获取所述声纹信息对应的语音频率域特征图；
将所述语音频率域特征图输入预先训练的声纹识别模型，以通过所述声纹识别模型提取所述语音频率域特征图对应的声纹特征向量组；
将所述声纹特征向量组输入聚合模型，以通过所述聚合模型对所述声纹特征向量组中的多个待处理声纹特征向量进行聚合，得到声纹特征向量。
在一个实施例中，所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量之后，还包括：
将所述声纹特征向量存储至向量数据库中；
获取声纹数据，提取所述声纹数据中的声纹信息；
当所述向量数据库中存储有与所述声纹信息对应的声纹特征向量时，从所述向量数据库中获取所述声纹信息对应的声纹特征向量，当所述向量数据库中未存储有与所述声纹信息对应的声纹特征向量时，对所述声纹信息进行声纹特征向量的提取；
利用从所述向量数据库中获取的声纹特征向量以及提取到的声纹特征向量，执行根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度的步骤。
一种电话回访有效性判别装置，所述装置包括：
声纹数据获取模块，用于获取电话回访业务对应的声纹数据，所述声纹数据中携带有用户标识；
声纹组得到模块，用于根据所述用户标识对所述声纹数据中的声纹信息进行分组，得到声纹组；
相似度计算模块，用于对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度；
声纹组有效性计算模块，用于根据所述相似度得到各所述声纹组的有效性；
电话回访有效性判断模块，用于根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述电话回访有效性判别方法、装置、计算机设备和介质，获取电话回访业务对应的声纹数据，声纹数据中携带有用户标识；根据用户标识对声纹数据中的声纹信息进行分组，得到声纹组，实现了依据用户标识对声纹数据进行分组，进而可以分别对各用户标识对应的声纹数据进行处理；对声纹组中的各声纹信息进行特征提取得到声纹特征向量，根据声纹特征向量分别计算各声纹组中声纹信息之间的相似度；根据相似度得到各声纹组的有效性，实现了自动提取声纹特征向量并依据声纹特征向量对声纹组的有效性自动判别，提高了对声纹有效性判别的效率；根据声纹组的有效性判断用户标识对应的电话回访是否有效，实现了对电话回访的自动判别。
附图说明
图1为一个实施例中电话回访有效性判别方法的应用场景图；
图2为一个实施例中电话回访有效性判别方法的流程示意图；
图3为一个实施例中利用向量数据库进行声纹信息相似度判别的流程示意图；
图4为一个实施例中的对声纹组中的各声纹信息进行特征提取得到声纹特征向量的流程示意图；
图5为一个实施例中根据相似度得到各声纹组的有效性的流程示意图；
图6为一个实施例中电话回访有效性判别装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电话回访有效性判别方法，可以应用于如图1所示的应用环境中。其中，用户终端102通过网络与服务器104进行通信。服务器104获取电话回访业务对应的声纹数据，声纹数据中携带有用户标识；根据用户标识对声纹数据中的声纹信息进行分组，得到声纹组；对声纹组中的各声纹信息进行特征提取得到声纹特征向量，根据声纹特征向量分别计算各声纹组中声纹信息之间的相似度；根据相似度得到各声纹组的有效性；根据声纹组的有效性判断用户标识对应的电话回访是否有效，进一步地，可将电话回访的判断结果发送至用户终端102。
其中，用户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电话回访有效性判别方法的流程示意图，以该方法应用于图1中的服务器104为例进行说明，在其他实施例中，该方法也可以应用于终端，方法包括以下步骤：
步骤210，获取电话回访业务对应的声纹数据，声纹数据中携带有用户标识。
声纹数据是电话回访业务中产生的音频数据中蕴含的、能表征和标识说话人的语音特征的数据，并且声纹数据可唯一标识用户的声纹。
具体地，服务器获取用户输入核实请求，如接收用户输入的对预设时间内的如七月份内的声纹数据进行核实的请求，或者接收用户对特定目标客户的声纹信息进行核实的请求等。服务器根据核实请求获取电话回访业务对应的声纹数据。其中，电话回访业务中可包含双通道音频数据，第一通道为用户对应的用户音频数据，第二通道为业务人员对应的业务人员音频数据，服务器从双通道音频数据中提取用户通道对应的用户音频数据，进而得到用户单通道数据，然后执行对用户单通道数据进行声纹识别的步骤，以判别用户的身份。
其中，用户标识用于唯一标识用户的身份，如用户标识可以为用户的手机号、身份证号等信息。
步骤220，根据用户标识对声纹数据中的声纹信息进行分组，得到声纹组。
其中，声纹数据可以为包括用户标识等结构化数据和语音音频，而声纹信息可为能抽取用户的声纹特征的语音信息。
具体地，在电话回访业务中，一个用户标识对应的用户可产生多次的电话回访业务数据，并且每一个电话回访业务数据对应一个业务标识，生成一个声纹信息，声纹信息可用于表征发起电话回访业务的用户的身份信息。
服务器根据用户标识获取用户对应的电话回访业务数据中的声纹信息，并且根据不同的用户标识将获取的声纹信息进行分组，得到声纹组，进一步地，还可以将声纹组进行分组编号，如将相同电话号码的声纹信息分为同一个组，并且每个声纹组生成一个唯一的分组编号如0001、0002、0003等。
步骤230，对声纹组中的各声纹信息进行特征提取得到声纹特征向量，根据声纹特征向量分别计算各声纹组中声纹信息之间的相似度。
声纹特征向量是从声纹信息中提取出来的，可以表征声纹信息特征的参数。具体地，服务器根据获取的多种声纹数据以及声纹类别对机器学习模型进行训练，得到声纹识别模型。然后利用训练好的声纹识别模型对输入的声纹信息进行特征提取得到声纹特征向量。
然后服务器计算各声纹特征向量之间的距离相似性，如通过计算各声纹特征向量之间的余弦距离以及欧氏距离，根据距离相似性判别声纹信息之间的相似度。
进一步地，服务器可以将提取到的声纹特征向量进行存储，以供后续可以直接从存储的数据库中获取对应的声纹特征向量，避免了服务器对同一个声纹信息对应的声纹特征向量的重复提取与计算。
步骤240，根据相似度得到各声纹组的有效性。
当声纹组中各声纹信息之间的相似度都大于预设阈值时，说明各声纹信息是属于同一个用户的声纹信息，判断该声纹组为有效声纹组；当声纹组中存在声纹信息之间的相似度不大于预设相似度阈值时，说明该声纹组中存在不属于同一个用户的声纹信息，判断该声纹组为无效声纹组。
步骤250，根据声纹组的有效性判断用户标识对应的电话回访是否有效。
当服务器判断各声纹信息是属于同一个用户的声纹信息时，说明该用户标识对应的电话回访是同一个用户的行为，故而判断该电话回访为有效电话回访；当服务器判别各声纹信息不属于同一个用户的声纹信息时，说明该用户标识对应的电话回访不是同一个用户的行为，故而判断该电话回访为无效电话回访。
在本实施例中，按照用户标识对声纹数据进行分组得到多个声纹组，然后对声纹组中的声纹信息进行声纹特征提取，通过计算声纹特征向量之间的相似性判断声纹组的有效性，进而可以判断电话回访的有效性，实现了对电话回访有效性的自动判别，提高了对电话回访有效性的判别效率。
如图3所示，提供了一种利用向量数据库进行声纹信息相似度判别的流程示意图。在一个实施例中，对声纹组中的各声纹信息进行特征提取得到声纹特征向量之后，还包括：
步骤310，将声纹特征向量存储至向量数据库中。
具体地，服务器提取声纹信息对应的声纹特征向量后，还包括将提取到的声纹特征向量进行存储，如将声纹特征向量与用户标识进行关联绑定，将关联绑定的信息进行存储。
步骤320，获取声纹数据，提取声纹数据中的声纹信息。
具体地，服务器获取用户输入的核实请求，根据核实请求获取对应的声纹数据，并提取声纹数据中的声纹信息。如核实请求可以为用户输入的对预设时间内的如七至八月份内的声纹数据进行核实的请求，或者接收用户对特定目标客户的声纹信息进行核实的请求等，在此不做限定。
步骤330，当向量数据库中存储有与声纹信息对应的声纹特征向量时，从向量数据库中获取声纹信息对应的声纹特征向量。
具体地，服务器对获取的声纹数据进行检验，当向量数据库中存储有与声纹信息对应的声纹特征向量时，从向量数据库中获取对应的声纹特征向量，通过直接从预先存储的向量数据库中获取声纹特征向量，而不是对声纹信息再次进行声纹特征向量的提取，极大地提高了声纹特征向量的获取效率。
步骤330，当向量数据库中未存储有与声纹信息对应的声纹特征向量时，对声纹信息进行声纹特征向量的提取。
具体地，服务器对获取的声纹数据进行检验，当向量数据库中未存储有与声纹信息对应的声纹特征向量时，利用特征提取算法对声纹信息进行声纹特征向量的提取，进一步地，还可以将提取到的声纹特征向量存储至向量数据库中，以对向量数据库进行更新。当后续再接收到用户发送的核实请求时，以可以从更新后的向量数据库中提取预先存储的声纹特征向量。
换言之，服务器对获取的声纹数据进行检验，当向量数据库中存储有至少部分的声纹信息对应的声纹特征向量时，优先从向量数据库中获取声纹特征向量，只有当向量数据库中未存储有声纹信息对应的声纹特征向量时，才利用特征提取算法进行声纹特征向量的提取，利用先验数据库减轻了计算机的资源消耗，提高了对声纹特征向量的获取效率。
如用户输入的核实请求为对七至八月份内的声纹数据进行核实，向量数据库中只预先存储了七月份的声纹信息对应的声纹特征向量，服务器可以直接从向量数据库中提取七月份的声纹特征向量，对于八月份的声纹信息对应的声纹特征向量只能通过特征提取算法进行提取。
步骤340，利用从向量数据库中获取的声纹特征向量以及提取到的声纹特征向量，执行根据声纹特征向量分别计算各声纹组中声纹信息之间的相似度的步骤。
具体地，服务器根据从向量数据库中获取到的声纹特征向量以及实时提取到的声纹特征向量，执行声纹组中声纹信息之间相似度度量的步骤。
在一个实施例中，声纹识别模型是基于深度学习方法和电话回访业务中心的真实录音数据训练构建的。
具体地，服务器利用预处理后的声纹数据进行机器学习模型训练得到声纹识别模型的步骤可包括：
首先为声纹数据的数据集准备阶段，具体地，服务器获取多个声纹数据，然后对用户个人的多个语音录音进行筛选，剔除不是该用户的录音。并且，为保证获取到的声纹数据的类别平衡，服务器对获取到的声纹数据进行筛选，如对声纹数据中的音频时长大于预设时长的数据选取为训练集，如将2分钟以上的声纹数据纳入训练集，其他的数据集不纳入训练集。
然后服务器对获取到的声纹数据进行预处理，其主要过程包括：
首先对语音进行Voice Activity Detection(VAD)处理获取有效声纹数据。其中，VAD算法在语音信号处理中，例如语音增强，语音识别等领域有着非常重要的作用，可以实现从一段语音(纯净或带噪)信号中标识出语音片段与非语音片段，进而实现对获取的声纹数据的预处理得到有效声纹数据，提高对声纹数据有效性判别的准确度。然后还可以对声纹数据进行坏数据检测，声纹数据如有损坏，则将损坏的数据去除，进而得到有效声纹数据。
服务器还可以对获取的声纹数据进行FilterBank处理，提取声纹数据的声学特征，进而可以利用深度学习模型提取声纹数据的声纹特征向量。对获取的声纹数据进行FilterBank处理可以提高声纹识别的性能。
然后利用获取到的有效声纹数据进行数据划分，包括将一部分声纹数据划分为测试集声纹数据，另一部分声纹数据按照预设时长阈值进行分割，如分割成时长为2.5s的声纹数据，并对分割后得声纹数据按照一定比例如4：1划分为训练集声纹数据和验证集声纹数据。然后执行利用训练集声纹数据训练声纹识别模型，利用验证集以及测试集优化声纹识别模型的步骤。
在本实施例中，生成声纹识别模型的过程中，对声纹数据进行预处理得到有效声纹数据，利用有效声纹数据训练得到声纹识别模型，通过对获取的声纹数据进行预处理，去除非期望的干扰数据，然后再进行声纹识别模型的训练，使得获取的声纹识别模型的识别准确率更加精准，提高了识别效率以及识别准确率。
在一个实施例中，如图4所示，提供了一种对声纹组中的各声纹信息进行特征提取得到声纹特征向量的流程示意图，包括：
步骤410，获取声纹信息对应的语音频率域特征图。
具体地，服务器读取训练集声纹数据后，还包括对训练集声纹数据进行升采样，如若训练集声纹数据的采样率为8KHz时，为提高音频分辨率进而提高模型精度，可以将8KHz采样率数据做升采样处理，得到16KHz的声纹数据。
然后服务器将升采样后的声纹数据转换到频率域得到语音频率域特征图，如对声纹数据进行短时傅里叶变换，转换成语音频率域特征图。
如果声纹数据是双声道声纹数据，服务器首先对指定通道进行提取，如提取用户通道中的声纹数据，然后经过VAD处理获得有效的单声道音频数据，将此声纹数据转换成语谱图如语音频率域特征图。
步骤420，将语音频率域特征图输入预先训练的声纹识别模型，以通过声纹识别模型提取语音频率域特征图对应的声纹特征向量组。
然后服务器将获取到的语音频率域特征图输入声纹识别模型中，以使得声纹识别模型提取语音频率域特征图对应的声纹特征向量组，其中，声纹特征向量组是多维向量组成的，如输出512维的特征向量作为声纹特征向量组。
步骤430，将声纹特征向量组输入聚合模型，以通过聚合模型对声纹特征向量组中的多个待处理声纹特征向量聚合，得到声纹特征向量。
为了从获取到的声纹特征向量组中提取用于表征声纹信息的声纹特征向量，还包括对声纹特征向量组进行聚合，得到声纹特征向量，其中通过聚合算法提取到的声纹特征向量是能表征该声纹信息特征的向量。
具体地，该声纹识别模型的网络结构主要分两部分：第一部分BaseNet可使用ResNet34残差网络做声纹特征提取；第二部分可使用NetVLAD进行聚合，其中NetVLAD是可训练的无监督聚类学习过程，可以提高带噪音数据的验证精度，最后接入全连接层，将任意维度的数据缩减到512x1的大小作为embedding；并且损失函数使用softmax。
在本实施例中，通过声纹识别模型获取声纹特征向量组后，对声纹特征向量组进行聚合，得到最能代表声纹信息的声纹特征向量，提高了对声纹特征向量的获取准确率。
在一个实施例中，提供了另一种对声纹组中的各声纹信息进行特征提取得到声纹特征向量的方法，包括：获取声纹信息对应的语音频率域特征图；将语音频率域特征图输入预先训练的声纹识别模型，以通过声纹识别模型提取语音频率域特征图对应的声纹特征向量组；将声纹特征向量组中的待处理声纹特征向量进行加权平均计算，得到声纹特征向量。
具体地，服务器训练得到的声纹识别模型的神经网络可以使用ResNet34残差网络做特征提取，最后一层卷积层采用加权平均池化方法进行特征在时间维度上的聚合，加权系数计算来自语谱图能量值。聚合后的特征张量接入3层全连接层，其中最后第二层全连接层(声纹embedding层)为512个神经元，输出层为one-hot编码的说话人编号，损失函数使用softmax。
在本实施例中，通过声纹识别模型获取声纹特征向量组后，对声纹特征向量组进行加权平均化分析，得到最能代表声纹信息的声纹特征向量，提高了对声纹特征向量的获取准确率。
在一个实施例中，根据声纹特征向量分别计算各声纹组中声纹信息之间的相似度，包括：按照预设规则对声纹组中的声纹信息进行组合，得到声纹对；根据声纹对中的各声纹信息对应的声纹特征向量，计算各声纹组中声纹信息之间的相似度。
当服务器判断声纹组中包含多个声纹信息时，还包括对位于同一个声纹组中的声纹信息按照预设规则进行组合得到声纹对，其中按照预设规则进行组合的方式可包括：对声纹信息进行两两组合得到多个声纹对，其中两两组合可包含声纹组中任意两个声纹信息进行两两组合，如当按照顺序依次排列各声纹信息时，包括将相邻位置处的两个声纹信息进行两两组合，更进一步地，还包括对位于前后两端位置的声纹信息进行组合形成声纹对。
按照预设规则进行组合方式还可以包括在声纹组中选取一个比对声纹信息，然后将其他声纹信息与该比对声纹信息进行组合生成声纹对。在其他实施例中，对声纹组中声纹信息的组合方式不做限制，只要能够对声纹组中的各声纹信息进行识别即可。
服务器根据各组合的声纹对，执行提取声纹对中的各声纹信息对应的声纹特征向量，并计算各声纹特征向量之间的相似度的步骤。
在本实施例中，通过对获取到的声纹组中的声纹信息进行组合生成声纹对，然后提取声纹对中各声纹信息的特征向量，实现利用声纹特征向量判别声纹组有效性的技术方案。
在一个实施例中，根据用户标识对声纹数据中的声纹信息进行分组，得到多个声纹组，包括：获取各用户标识关联的声纹信息的数量；当声纹信息的数量至少为两个时，将与用户标识关联的声纹信息进行组合得到声纹组。
具体地，服务器获取各用户标识对应的声纹组中声纹信息的数量，当声纹信息的数量为1个时，默认该声纹信息是与该用户标识对应的声纹，判断该用户标识对应的电话回访为有效电话回访。故而当服务器判别到声纹信息的数量为1个时，可以将该用户标识对应的声纹信息清除，也可以直接判别该电话回访为有效电话回访。
当声纹组中的声纹信息的数量大于两个时，说明该用户标识的用户至少有两个电话回访记录，需要对该电话回访记录是否为同一个用户的行为进行验证，故而，服务器通过判别用户标志关联的声纹信息的数量对用户标识进行筛选，具体地，如可以保留相同回访电话号码下，有多个声纹信息的数据。
在本实施例中，服务器利用对声纹组中声纹信息的个数对声纹组进行初步筛选，只对包含多个声纹信息的声纹组进行电话回访的有效性识别，进一步地提高了对电话回访有效性判别的效率。
在一个实施例中，如图5所示，提供了一种根据相似度得到各声纹组的有效性的流程示意图。具体地，服务器对声纹组中的各声纹信息的一致性进行判别，在判别的过程中遵循以下规则，包括：
步骤510，当声纹组中存在声纹对的相似度不符合预设相似度阈值时，停止对未进行相似度计算的声纹对的继续计算，得到声纹组的有效性为无效声纹组。
具体地，服务器只要判别声纹组中存在声纹对的相似度不符合预设相似度阈值时，即可判断该声纹组的有效性为无效声纹组，并且，还可以即时停止对未进行相似度计算的声纹对的继续相似度计算和判别，以提高对无效声纹组判别的效率。
步骤520，当声纹组中各声纹对的相似度均符合预设相似度阈值时，判断声纹组的有效性为有效声纹组。
具体地，当服务器对各声纹组中的声纹信息的相似度判断的过程中，只有当所有声纹对皆满足预设相似度阈值时，才可以判断该声纹组的有效性为有效声纹组。
步骤530，当声纹组中存在声纹对的相似度无法判断，并且声纹组中不存在声纹对的相似度不符合预设相似度阈值时，判断声纹组的有效性为无法判别声纹组。
具体地，服务器对声纹对中的声纹信息的相似度判别过程中，若不能提取到正确的声纹特征向量，或者提取到的声纹特征向量明显存在异常时，服务器判别该声纹对的相似度无法判别。并且，若服务器判断声纹组中同时存在相似度无法判断的声纹对，并且不存在声纹对的相似度不符合预设相似度阈值的声纹对时时，即声纹组中所有声纹对的判别结果既包含无法判别声纹对又包含有效声纹对时，服务器判断该声纹组的有效性为无法判别声纹组。或者当服务器判断声纹组中的所有声纹对的有效性均为无法判断时，服务器判断该声纹组的有效性为无法判别。
步骤540，获取各有效性的优先级，根据优先级将声纹组与对应的有效性进行关联存储。
具体地，服务器获取有效声纹组、无效声纹组以及无法判别声纹组的优先级，并将声纹组对应的用户标识、声纹组的有效性以及有效性的优先级进行关联存储。
在本实施例中，将声纹组的有效性划分不同的优先级，当服务器能够判别该声纹组为最高优先级时，可以及时停止对声纹组中剩余声纹对的相似性计算，减少了不必要的声纹对的判别过程，提高了声纹识别的效率。
在一个实施例中，根据声纹组的有效性判断用户标识对应的电话回访是否有效，包括：获取声纹组关联的有效性的优先级；根据有效性的优先级依次判断用户标识对应的电话回访是否有效。
具体地，服务器将声纹组的有效性判断结果进行转换，将转换后的数据推送给质检系统，以使质检系统能够根据声纹组的有效性对电话回访的有效性进行判别。
其中，服务器对声纹组的有效性判断结果进行转换包括：声纹组中只要有一个声纹对的比对结果为无效声纹对，则将声纹组标为疑似代回访声纹组即无效声纹组，声纹组中只要有一个声纹对的比对结果为无法判断，则将整个声纹组标记为无法判别声纹组；声纹组中所有声纹对的比对都为声纹相同，则将整个声纹组标记为正常回访即有效声纹组。并且标记优先级从高到低排序为无效声纹组(疑似代回访、)无法判别声纹组以及有效声纹组(正常案件)。
并且，进一步地，优先级的排序还可以根据声纹组中各声纹对的判别结果来判断，例如无法判别声纹对或者无效声纹对所占的比例越高，则优先级越高，从而在后续的电话回访检测程序中越能够优先处理，进一步地提高对疑似不合格电话回访业务的关注度。
具体地，服务器按照有效声纹组、无效声纹组以及无法判别声纹组的优先级进行存储，使得后续对电话回访的有效性判别时，能够根据优先级的顺序进行判别，使得对电话回访复检的过程中能够更加关注优先级较高的声纹组，使得能够更高效的提取到无效电话回访，进而对无效电话回访采取进一步的措施。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种电话回访有效性判别装置，包括：
声纹数据获取模块610，用于获取电话回访业务对应的声纹数据，所述声纹数据中携带有用户标识。
声纹组得到模块620，用于根据所述用户标识对所述声纹数据中的声纹信息进行分组，得到声纹组。
相似度计算模块630，用于对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度。
声纹组有效性计算模块640，用于根据所述相似度得到各所述声纹组的有效性。
电话回访有效性判断模块650，用于根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效。
在一个实施例中，所述相似度计算模块630，包括：
声纹对获取单元，用于按照预设规则对所述声纹组中的所述声纹信息进行组合，得到声纹对。
相似度计算单元，用于根据所述声纹对中的各所述声纹信息对应的声纹特征向量，计算各所述声纹组中所述声纹信息之间的相似度。
在一个实施例中，所述声纹组有效性计算模块640，包括：
无效判别单元，用于当所述声纹组中存在所述声纹对的相似度不符合预设相似度阈值时，停止对未进行相似度计算的声纹对的继续计算，得到所述声纹组的有效性为无效声纹组。
有效判别单元，用于当所述声纹组中各所述声纹对的相似度均符合预设相似度阈值时，得到所述声纹组的有效性为有效声纹组。
无法判别单元，用于当所述声纹组中存在所述声纹对的相似度无法判断，并且所述声纹组中不存在所述声纹对的相似度不符合预设相似度阈值时，得到所述声纹组的有效性为无法判别声纹组。
存储单元，用于获取各所述有效性的优先级，根据所述优先级将所述声纹组与对应的有效性进行关联存储。
在一个实施例中，电话回访有效性判断模块650，包括：
优先级获取单元，用于获取所述声纹组关联的有效性的优先级。
有效判别单元，用于根据所述有效性的优先级依次判断所述用户标识对应的电话回访是否有效。
在一个实施例中，相似度计算模块630，包括：
第一特征图获取单元，用于获取所述声纹信息对应的语音频率域特征图。
第一声纹特征向量组获取单元，用于将所述语音频率域特征图输入预先训练的声纹识别模型，以通过所述声纹识别模型提取所述语音频率域特征图对应的声纹特征向量组。
第一向量获取单元，用于将所述声纹特征向量组中的待处理声纹特征向量进行加权平均计算，得到声纹特征向量。
在一个实施例中，相似度计算模块630，包括：
第二特征图获取单元，用于获取所述声纹信息对应的语音频率域特征图。
第二声纹特征向量组获取单元，用于将所述语音频率域特征图输入预先训练的声纹识别模型，以通过所述声纹识别模型提取所述语音频率域特征图对应的声纹特征向量组。
第二向量获取单元，用于将所述声纹特征向量组输入聚合模型，以通过所述聚合模型对所述声纹特征向量组中的多个待处理声纹特征向量进行聚合，得到声纹特征向量。
在一个实施例中，所述装置，还包括：
存储模块，用于将所述声纹特征向量存储至向量数据库中。
提取模块，用于获取声纹数据，提取所述声纹数据中的声纹信息。
特征向量获取模块，用于当所述向量数据库中存储有与所述声纹信息对应的声纹特征向量时，从所述向量数据库中获取所述声纹信息对应的声纹特征向量，当所述向量数据库中未存储有与所述声纹信息对应的声纹特征向量时，对所述声纹信息进行声纹特征向量的提取。
相似度计算执行模块，用于利用从所述向量数据库中获取的声纹特征向量以及提取到的声纹特征向量，执行根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度的步骤。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存电话回访产生的声纹相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电话回访有效性判别方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取电话回访业务对应的声纹数据，所述声纹数据中携带有用户标识；根据所述用户标识对所述声纹数据中的声纹信息进行分组，得到声纹组；对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度；根据所述相似度得到各所述声纹组的有效性；根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效。
在一个实施例中，处理器执行计算机程序时实现根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度的步骤时还用于：按照预设规则对所述声纹组中的所述声纹信息进行组合，得到声纹对；根据所述声纹对中的各所述声纹信息对应的声纹特征向量，计算各所述声纹组中所述声纹信息之间的相似度。
在一个实施例中，处理器执行计算机程序时实现所述根据所述相似度得到各所述声纹组的有效性的步骤时还用于：当所述声纹组中存在所述声纹对的相似度不符合预设相似度阈值时，停止对未进行相似度计算的声纹对的继续计算，得到所述声纹组的有效性为无效声纹组；当所述声纹组中各所述声纹对的相似度均符合预设相似度阈值时，得到所述声纹组的有效性为有效声纹组；当所述声纹组中存在所述声纹对的相似度无法判断，并且所述声纹组中不存在所述声纹对的相似度不符合预设相似度阈值时，得到所述声纹组的有效性为无法判别声纹组；获取各所述有效性的优先级，根据所述优先级将所述声纹组与对应的有效性进行关联存储。
在一个实施例中，处理器执行计算机程序时实现所述根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效的步骤时还用于：获取所述声纹组关联的有效性的优先级；根据所述有效性的优先级依次判断所述用户标识对应的电话回访是否有效。
在一个实施例中，处理器执行计算机程序时实现所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量的步骤时还用于：获取所述声纹信息对应的语音频率域特征图；将所述语音频率域特征图输入预先训练的声纹识别模型，以通过所述声纹识别模型提取所述语音频率域特征图对应的声纹特征向量组；将所述声纹特征向量组中的待处理声纹特征向量进行加权平均计算，得到声纹特征向量。
在一个实施例中，处理器执行计算机程序时实现所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量的步骤时还用于：获取所述声纹信息对应的语音频率域特征图；将所述语音频率域特征图输入预先训练的声纹识别模型，以通过所述声纹识别模型提取所述语音频率域特征图对应的声纹特征向量组；将所述声纹特征向量组输入聚合模型，以通过所述聚合模型对所述声纹特征向量组中的多个待处理声纹特征向量进行聚合，得到声纹特征向量。
在一个实施例中，处理器执行计算机程序时实现所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量之后的步骤时还用于：将所述声纹特征向量存储至向量数据库中；获取声纹数据，提取所述声纹数据中的声纹信息；当所述向量数据库中存储有与所述声纹信息对应的声纹特征向量时，从所述向量数据库中获取所述声纹信息对应的声纹特征向量，当所述向量数据库中未存储有与所述声纹信息对应的声纹特征向量时，对所述声纹信息进行声纹特征向量的提取；利用从所述向量数据库中获取的声纹特征向量以及提取到的声纹特征向量，执行根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取电话回访业务对应的声纹数据，所述声纹数据中携带有用户标识；根据所述用户标识对所述声纹数据中的声纹信息进行分组，得到声纹组；对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度；根据所述相似度得到各所述声纹组的有效性；根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效。
在一个实施例中，计算机程序被处理器执行时实现根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度的步骤时还用于：按照预设规则对所述声纹组中的所述声纹信息进行组合，得到声纹对；根据所述声纹对中的各所述声纹信息对应的声纹特征向量，计算各所述声纹组中所述声纹信息之间的相似度。
在一个实施例中，计算机程序被处理器执行时实现所述根据所述相似度得到各所述声纹组的有效性的步骤时还用于：当所述声纹组中存在所述声纹对的相似度不符合预设相似度阈值时，停止对未进行相似度计算的声纹对的继续计算，得到所述声纹组的有效性为无效声纹组；当所述声纹组中各所述声纹对的相似度均符合预设相似度阈值时，得到所述声纹组的有效性为有效声纹组；当所述声纹组中存在所述声纹对的相似度无法判断，并且所述声纹组中不存在所述声纹对的相似度不符合预设相似度阈值时，得到所述声纹组的有效性为无法判别声纹组；获取各所述有效性的优先级，根据所述优先级将所述声纹组与对应的有效性进行关联存储。
在一个实施例中，计算机程序被处理器执行时实现所述根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效的步骤时还用于：获取所述声纹组关联的有效性的优先级；根据所述有效性的优先级依次判断所述用户标识对应的电话回访是否有效。
在一个实施例中，计算机程序被处理器执行时实现所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量的步骤时还用于：获取所述声纹信息对应的语音频率域特征图；将所述语音频率域特征图输入预先训练的声纹识别模型，以通过所述声纹识别模型提取所述语音频率域特征图对应的声纹特征向量组；将所述声纹特征向量组中的待处理声纹特征向量进行加权平均计算，得到声纹特征向量。
在一个实施例中，计算机程序被处理器执行时实现所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量的步骤时还用于：获取所述声纹信息对应的语音频率域特征图；将所述语音频率域特征图输入预先训练的声纹识别模型，以通过所述声纹识别模型提取所述语音频率域特征图对应的声纹特征向量组；将所述声纹特征向量组输入聚合模型，以通过所述聚合模型对所述声纹特征向量组中的多个待处理声纹特征向量进行聚合，得到声纹特征向量。
在一个实施例中，计算机程序被处理器执行时实现所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量之后的步骤时还用于：将所述声纹特征向量存储至向量数据库中；获取声纹数据，提取所述声纹数据中的声纹信息；当所述向量数据库中存储有与所述声纹信息对应的声纹特征向量时，从所述向量数据库中获取所述声纹信息对应的声纹特征向量，当所述向量数据库中未存储有与所述声纹信息对应的声纹特征向量时，对所述声纹信息进行声纹特征向量的提取；利用从所述向量数据库中获取的声纹特征向量以及提取到的声纹特征向量，执行根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电话回访有效性判别方法，所述方法包括：
获取电话回访业务对应的声纹数据，所述声纹数据中携带有用户标识；
根据所述用户标识对所述声纹数据中的声纹信息进行分组，得到声纹组；
对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度；
根据所述相似度得到各所述声纹组的有效性；
根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效。
2.根据权利要求1所述的方法，其特征在于，所述根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度，包括：
按照预设规则对所述声纹组中的所述声纹信息进行组合，得到声纹对；
根据所述声纹对中的各所述声纹信息对应的声纹特征向量，计算各所述声纹组中所述声纹信息之间的相似度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述相似度得到各所述声纹组的有效性，包括：
当所述声纹组中存在所述声纹对的相似度不符合预设相似度阈值时，停止对未进行相似度计算的声纹对的继续计算，得到所述声纹组的有效性为无效声纹组；
当所述声纹组中各所述声纹对的相似度均符合预设相似度阈值时，得到所述声纹组的有效性为有效声纹组；
当所述声纹组中存在所述声纹对的相似度无法判断，并且所述声纹组中不存在所述声纹对的相似度不符合预设相似度阈值时，得到所述声纹组的有效性为无法判别声纹组；
获取各所述有效性的优先级，根据所述优先级将所述声纹组与对应的有效性进行关联存储。
4.根据权利要求3所述的方法，其特征在于，所述根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效，包括：
获取所述声纹组关联的有效性的优先级；
根据所述有效性的优先级依次判断所述用户标识对应的电话回访是否有效。
5.根据权利要求1所述的方法，其特征在于，所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，包括：
获取所述声纹信息对应的语音频率域特征图；
将所述语音频率域特征图输入预先训练的声纹识别模型，以通过所述声纹识别模型提取所述语音频率域特征图对应的声纹特征向量组；
将所述声纹特征向量组中的待处理声纹特征向量进行加权平均计算，得到声纹特征向量。
6.根据权利要求1所述的方法，其特征在于，所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，包括：
获取所述声纹信息对应的语音频率域特征图；
将所述语音频率域特征图输入预先训练的声纹识别模型，以通过所述声纹识别模型提取所述语音频率域特征图对应的声纹特征向量组；
将所述声纹特征向量组输入聚合模型，以通过所述聚合模型对所述声纹特征向量组中的多个待处理声纹特征向量进行聚合，得到声纹特征向量。
7.根据权利要求1所述的方法，其特征在于，所述对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量之后，还包括：
将所述声纹特征向量存储至向量数据库中；
获取声纹数据，提取所述声纹数据中的声纹信息；
当所述向量数据库中存储有与所述声纹信息对应的声纹特征向量时，从所述向量数据库中获取所述声纹信息对应的声纹特征向量，当所述向量数据库中未存储有与所述声纹信息对应的声纹特征向量时，对所述声纹信息进行声纹特征向量的提取；
利用从所述向量数据库中获取的声纹特征向量以及提取到的声纹特征向量，执行根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度的步骤。
8.一种电话回访有效性判别装置，所述装置包括：
声纹数据获取模块，用于获取电话回访业务对应的声纹数据，所述声纹数据中携带有用户标识；
声纹组得到模块，用于根据所述用户标识对所述声纹数据中的声纹信息进行分组，得到声纹组；
相似度计算模块，用于对所述声纹组中的各所述声纹信息进行特征提取得到声纹特征向量，根据所述声纹特征向量分别计算各所述声纹组中所述声纹信息之间的相似度；
声纹组有效性计算模块，用于根据所述相似度得到各所述声纹组的有效性；
电话回访有效性判断模块，用于根据所述声纹组的有效性判断所述用户标识对应的电话回访是否有效。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911349631.3A CN111063359B (zh) | 2019-12-24 | 2019-12-24 | 电话回访有效性判别方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911349631.3A CN111063359B (zh) | 2019-12-24 | 2019-12-24 | 电话回访有效性判别方法、装置、计算机设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111063359A CN111063359A (zh) | 2020-04-24 |
| CN111063359B true CN111063359B (zh) | 2022-03-18 |
Family
ID=70303214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911349631.3A Active CN111063359B (zh) | 2019-12-24 | 2019-12-24 | 电话回访有效性判别方法、装置、计算机设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111063359B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112562695B (zh) * | 2020-11-26 | 2023-09-29 | 珠海格力电器股份有限公司 | 声纹识别方法、装置、计算机设备和存储介质 |
| CN112652313B (zh) * | 2020-12-24 | 2023-04-07 | 北京百度网讯科技有限公司 | 声纹识别的方法、装置、设备、存储介质以及程序产品 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0592150A1 (en) * | 1992-10-09 | 1994-04-13 | AT&T Corp. | Speaker verification |
| CN103714817A (zh) * | 2013-12-31 | 2014-04-09 | 厦门天聪智能软件有限公司 | 基于声纹识别技术的满意度调查作弊排查方法 |
| CN103778917A (zh) * | 2014-01-10 | 2014-05-07 | 厦门快商通信息技术有限公司 | 一种在电话满意度调查中检测身份冒充的系统与方法 |
| AU2017101119A4 (en) * | 2017-08-16 | 2017-09-14 | Besttime Pty Ltd | Call handling methods and associated apparatus and systems |
| CN108449518A (zh) * | 2017-02-16 | 2018-08-24 | 平安科技（深圳）有限公司 | 保险契约回访方法和装置 |
| CN108734588A (zh) * | 2017-04-14 | 2018-11-02 | 太平金融科技服务（上海）有限公司 | 智能核保系统及智能核保方法 |
| CN109274845A (zh) * | 2018-08-31 | 2019-01-25 | 平安科技（深圳）有限公司 | 智能语音自动回访方法、装置、计算机设备及存储介质 |
| CN110084616A (zh) * | 2019-03-15 | 2019-08-02 | 深圳壹账通智能科技有限公司 | 智能回访方法、装置、计算机装置及存储介质 |
| CN110401782A (zh) * | 2019-08-21 | 2019-11-01 | 北京百度网讯科技有限公司 | 电话预约拨打方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7333798B2 (en) * | 2002-08-08 | 2008-02-19 | Value Added Communications, Inc. | Telecommunication call management and monitoring system |
-
2019
- 2019-12-24 CN CN201911349631.3A patent/CN111063359B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0592150A1 (en) * | 1992-10-09 | 1994-04-13 | AT&T Corp. | Speaker verification |
| CN103714817A (zh) * | 2013-12-31 | 2014-04-09 | 厦门天聪智能软件有限公司 | 基于声纹识别技术的满意度调查作弊排查方法 |
| CN103778917A (zh) * | 2014-01-10 | 2014-05-07 | 厦门快商通信息技术有限公司 | 一种在电话满意度调查中检测身份冒充的系统与方法 |
| CN108449518A (zh) * | 2017-02-16 | 2018-08-24 | 平安科技（深圳）有限公司 | 保险契约回访方法和装置 |
| CN108734588A (zh) * | 2017-04-14 | 2018-11-02 | 太平金融科技服务（上海）有限公司 | 智能核保系统及智能核保方法 |
| AU2017101119A4 (en) * | 2017-08-16 | 2017-09-14 | Besttime Pty Ltd | Call handling methods and associated apparatus and systems |
| CN109274845A (zh) * | 2018-08-31 | 2019-01-25 | 平安科技（深圳）有限公司 | 智能语音自动回访方法、装置、计算机设备及存储介质 |
| CN110084616A (zh) * | 2019-03-15 | 2019-08-02 | 深圳壹账通智能科技有限公司 | 智能回访方法、装置、计算机装置及存储介质 |
| CN110401782A (zh) * | 2019-08-21 | 2019-11-01 | 北京百度网讯科技有限公司 | 电话预约拨打方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Acoustical Assessment of Voice Disorder With Continuous Speech Using ASR Posterior Features;Yuanyuan Liu，et al.;《 IEEE/ACM Transactions on Audio, Speech, and Language Processing 》;IEEE;20190318;第27卷(第6期);全文 * |
| 声纹识别系统在满意度电话回访作弊排查中的应用;李兰泽;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;中国学术期刊（光盘版）电子杂志社;20140815(第8期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111063359A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020177380A1 (zh) | 基于短文本的声纹检测方法、装置、设备及存储介质 | |
| CN111709004B (zh) | 一种身份认证方法、装置、电子设备及可读存储介质 | |
| CN110443692B (zh) | 企业信贷审核方法、装置、设备及计算机可读存储介质 | |
| CN109166586B (zh) | 一种识别说话人的方法及终端 | |
| CN109378002B (zh) | 声纹验证的方法、装置、计算机设备和存储介质 | |
| CN110265037B (zh) | 身份验证方法、装置、电子设备及计算机可读存储介质 | |
| CN109065027B (zh) | 语音区分模型训练方法、装置、计算机设备及存储介质 | |
| CN103475490B (zh) | 一种身份验证方法及装置 | |
| CN110232932B (zh) | 基于残差时延网络的说话人确认方法、装置、设备及介质 | |
| CN108763897A (zh) | 身份合法性的校验方法、终端设备及介质 | |
| WO2019019743A1 (zh) | 信息审核方法、装置、电子设备及计算机可读存储介质 | |
| CN105991593B (zh) | 一种识别用户风险的方法及装置 | |
| CN113257255B (zh) | 一种伪造语音的识别方法、装置、电子设备及存储介质 | |
| CN103794207A (zh) | 一种双模语音身份识别方法 | |
| CN108922544A (zh) | 通用向量训练方法、语音聚类方法、装置、设备及介质 | |
| CN111126233B (zh) | 基于距离值的通话通道构建方法、装置和计算机设备 | |
| CN111063359B (zh) | 电话回访有效性判别方法、装置、计算机设备和介质 | |
| CN107346568A (zh) | 一种门禁系统的认证方法和装置 | |
| JP5812505B2 (ja) | マルチモーダル情報に基づく人口学的分析方法及びシステム | |
| CN115034886A (zh) | 一种违约风险预测方法及装置 | |
| CN109545226B (zh) | 一种语音识别方法、设备及计算机可读存储介质 | |
| CN112351047A (zh) | 基于双引擎的声纹身份认证方法、装置、设备及存储介质 | |
| CN113299295B (zh) | 声纹编码网络的训练方法及装置 | |
| CN111199742A (zh) | 一种身份验证方法、装置及计算设备 | |
| Memon | Multi-layered multimodal biometric authentication for smartphone devices |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |