CN112565242B - 基于声纹识别的远程授权方法、系统、设备及存储介质 - Google Patents

Abstract

本发明提供了基于声纹识别的远程授权方法、系统、设备及存储介质，该方法包括：接到用户的语音，客服与用户进行预设认证问题的问答；实时将接收到的用户语音的实时音频根据预设时长为单位切割为多段子音频；自子音频提取音频特征，输入深度学习网络，获得子音频的声纹特征信息；将每段子音频的声纹特征信息与该用户预存的声纹特征信息进行余弦相似度比较，获得相似度值；判断相似度平均值是否满足预设相似度阈值，若是，则认证成功，用户获得预设授权；本发明能够直接将授权者授权的订单进行处理，实现自动化，节省大量人力，在授权者口头授权的过程中完成身份认证，完善安全检测环节，维护用户利益。

Description

基于声纹识别的远程授权方法、系统、设备及存储介质

背景技术

声纹识别是生物识别技术的一种，也即说话人识别，可分为说话人辨认与说话人确认，文本相关与文本无关。说话人辨认是判断某段语音是若干说话人中的哪一个，即1对多的问题；说话人确认是判断某段音频是否为某个指定的说话人所说，即1对1的问题。不同场景使用不同的声纹识别技术。文本相关要求说话人按照规定的内容发音，而文本无关的识别系统不限制说话人的说话内容。前者识别效果较好，后者应用广泛、用户体验较好但模型建立相对困难。

人在讲话时使用的多个发声器官在尺寸和形态方面各不相同，因此任何两个人的声纹均不相同，且获取语音的成本较低，授权者在说话过程中便完成身份认证及授权，因此授权者的接受度较高，但存在冒用风险。在口头授权场景下存在非授权者冒用授权者身份进行电话授权的行为，在真实授权者未知的情况下，该行为严重损害双方利益。因此本发明基于说话人识别的深度学习模型判断实时进线或去电的音频说话人是否为该公司委任的授权者。在授权者进线或去电的过程中，音频会以数据流的形式实时传输给系统，本系统对已经进入的数据流进行处理并返回当前判别结果给客服PC端，客服依据PC端显示的实时结果对授权者采取不同的处理及对话方案。

因此，本发明提供了一种基于声纹识别的远程授权方法、系统、设备及存储介质。

发明内容

针对现有技术中的问题，本发明的目的在于提供基于声纹识别的远程授权方法、系统、设备及存储介质，克服了现有技术的困难，能够直接将授权者授权的订单进行处理，实现自动化，节省大量人力，在授权者口头授权的过程中完成身份认证，完善安全检测环节，维护用户利益。

本发明的实施例提供一种基于声纹识别的远程授权方法，包括以下步骤：

S110、接到所述用户的语音，客服与所述用户进行预设认证问题的问答；

S120、实时将接收到的用户语音的实时音频根据预设时长为单位切割为多段子音频；

S130、自所述子音频提取音频特征，输入深度学习网络，获得所述子音频的声纹特征信息；

S140、将每段所述子音频的声纹特征信息与该用户预存的声纹特征信息进行余弦相似度比较，获得相似度值；

S170、判断所述相似度平均值是否满足预设相似度阈值，若是，则执行步骤S180，若否，则执行步骤S190；

S180、认证成功，所述用户获得预设授权；

S190、认证失败，返回步骤S120。

优选地，所述步骤S110之前还包括以下步骤：

S100、预存每位用户的账户以及与所述账户关联的预设授权、声纹特征信息、预设认证问题、相似度阈值。

优选地，所述步骤S110中还包括对用户语音与客服语音进行分离，分别对客服语音的第一语音信息和用户语音的第二语音信息进行音频到文本的识别获得第一文本和第二文本。

优选地，所述步骤S120中包括根据所述子音频的时序对应转写第二文本，获得每段所述子音频对应的子文本。

优选地，所述步骤S120中还包括向每一段子音频输入电话背景音的反向波形，抑制背景音。

优选地，所述步骤S120中还包括将时长不满足预设时长的子音频进行局部复制以满足预设时长。

优选地，所述步骤S140之后，步骤S170之前还包括以下步骤：

S150、根据当前所有所述子音频的子文本的总字数对每段所述子音频的相似度值进行加权平均获得相似度平均值，所述子文本的总字数与所述相似度值的加权平均的权重成正向增长。

优选地，所述步骤S150之后，步骤S170之前还包括以下步骤：

S160、根据所述判断第一文本找到对应的预设认证问题，根据所述第一文本与所述第二文本的时序关系，当所述第二文本匹配所述预设认证问题对应的答案时，则提高所述相似度平均值，匹配所述预设认证问题的数量与所述相似度平均值提升的比例正相关。预设认证问题正确数占比与相似度之间是加权平均，比如a*相似度+(1-a)*问题正确回答数量。

优选地，所述步骤S180中还包括获得预存的所述声纹特征信息的第一质量评估分值以及当前所述用户语音的实时音频的第二质量评估分值，当所述第二质量评估分值大于所述第一质量评估分值时，将所述实时音频的声纹特征信息替换预存的所述声纹特征信息。

优选地，预设时长的取值范围是1秒至10秒，例如：1秒、2秒、3秒、4秒、5秒、6秒、7秒、8秒、9秒、10秒等。

本发明的实施例还提供一种基于声纹识别的远程授权系统，用于实现上述的基于声纹识别的远程授权方法，所述基于声纹识别的远程授权系统包括：

通话模块，接到所述用户的语音，客服与所述用户进行预设认证问题的问答；

切割模块，实时将接收到的用户语音的音频根据预设时长为单位切割为多段子音频；

提取模块，自所述子音频提取音频特征，输入深度学习网络，获得所述子音频的声纹特征信息；

评估模块，将每段所述子音频的声纹特征信息与该用户预存的声纹特征信息进行余弦相似度比较，获得相似度值；

判断模块，判断所述相似度平均值是否满足预设相似度阈值，若是，则执行认证模块，若否，则执行拒绝模块；

认证模块，认证成功，所述用户获得预设授权；

拒绝模块，认证失败，返回切割模块。

本发明的实施例还提供一种基于声纹识别的远程授权设备，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述基于声纹识别的远程授权方法的步骤。

本发明的实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现上述基于声纹识别的远程授权方法的步骤。

本发明的目的在于提供基于声纹识别的远程授权方法、系统、设备及存储介质，能够直接将授权者授权的订单进行处理，实现自动化，节省大量人力，在授权者口头授权的过程中完成身份认证，完善安全检测环节，维护用户利益，并且能够减少授权者与客服机器人间为确认身份产生的多个问题，降低客服机器人出错的可能，并且减少授权者对客服机器人的排斥，提升用户体验。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。

图1是本发明的基于声纹识别的远程授权方法的流程图。

图2至4是实施本发明的基于声纹识别的远程授权方法的过程示意图。

图5是本发明的基于声纹识别的远程授权系统的模块示意图。

图6是本发明的基于声纹识别的远程授权设备的结构示意图。

图7是本发明一实施例的计算机可读存储介质的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式。相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。

图1是本发明的基于声纹识别的远程授权方法的流程图。如图1所示，本发明的实施例提供一种基于声纹识别的远程授权方法，包括以下步骤：

S100、预存每位用户的账户以及与账户关联的预设授权、声纹特征信息、预设认证问题、相似度阈值。

S110、接到用户的语音，客服与用户进行预设认证问题的问答，对用户语音与客服语音进行分离，分别对客服语音的第一语音信息和用户语音的第二语音信息进行音频到文本的识别获得第一文本和第二文本。

S120、实时将接收到的用户语音的音频根据预设时长为单位切割为多段子音频，并且将根据所述子音频的时序对应转写第二文本，获得每段所述子音频对应的子文本。向每一段子音频输入电话背景音的反向波形，抑制背景音，将时长不满足预设时长的子音频进行局部复制以满足预设时长。

S130、自子音频提取音频特征，输入深度学习网络，获得子音频的声纹特征信息。

S140、将每段子音频的声纹特征信息与该用户预存的声纹特征信息进行余弦相似度比较，获得相似度值。

S150、根据当前所有子音频的子文本的总字数对每段子音频的相似度值进行加权平均获得相似度平均值，子文本的总字数与相似度值的加权平均的权重成正向增长。

S160、根据判断第一文本找到对应的预设认证问题，根据第一文本与第二文本的时序关系，当第二文本中是否匹配预设认证问题的答案时，则增加相似度平均值，匹配预设认证问题的数量与相似度平均值提升的比例正相关。预设认证问题正确数占比与相似度之间是加权平均，比如a*相似度+(1-a)*问题正确回答数量。

S170、判断相似度平均值是否满足预设相似度阈值，若是，则执行步骤S180，若否，则执行步骤S190。

S180、认证成功，用户获得预设授权。

S190、认证失败，返回步骤S120。

本发明可以根据各司授权者注册录音，判断每通通话说话人是否为相应公司委任的授权者，从而决定是否真正实施授权。该系统能够基于动态声纹库实时返回判别结果给客服PC端，并且随着通话的进行更新判别结果。

在一个优选方案中，步骤S180中还包括获得预存的声纹特征信息的第一质量评估分值以及当前用户语音的实时音频的第二质量评估分值，当第二质量评估分值大于第一质量评估分值，则将实时音频的声纹特征信息替换预存的声纹特征信息，质量评估分值可以采用现有的质量评估模型获得，此处不再赘述。通过这种预存的声纹特征信息的更新方式来适应用户变老后的声音特征的逐渐变化。在一个变形例中，可以以将答对所有预设认证问题的实时音频的声纹特征信息替换预存的声纹特征信息，从而免去质量评估的过程。在一个优选方案中，预设时长的取值范围是1秒至10秒，例如：1秒、2秒、3秒、4秒、5秒、6秒、7秒、8秒、9秒、10秒等，不以此为限。

本实施例中的客服可以是真人也可以是AI对话机器人，不以此为限。

图2至4是实施本发明的基于声纹识别的远程授权方法的过程示意图。参考图2至4所示，本发明的实施过程如下：

先首预存每位用户B的账户以及与账户关联的预设授权、声纹特征信息、预设认证问题、相似度阈值。客服机器人A接到用户B的语音，客服机器人A与用户B进行预设认证问题的问答，对用户B语音与客服机器人A语音进行分离，分别对客服机器人A语音的第一语音信息11、12、13和用户B语音的第二语音信息21、22、23进行音频到文本的识别获得第一文本和第二文本。

参考图2，实时将接收到的用户B语音的音频根据预设时长为单位切割为多段子音频，例如将第二语音信息21(总时长5秒)根据每两秒一段切割为三个子音频211(时长2秒)、子音频212(时长2秒)、子音频213(时长1秒)，并且根据子音频的时序对应转写第二文本，获得每段子音频对应的子文本，向每一段子音频输入电话背景音的反向波形，抑制背景音。参考图3和4，将时长不满足预设时长的子音213(时长1秒)进行局部复制得到子音213’(时长2秒)以满足预设时长。

自子音频211、212、213’等提取音频特征，输入深度学习网络，获得子音频的声纹特征信息。将每段子音频的声纹特征信息与该用户B预存的声纹特征信息进行余弦相似度比较，获得相似度值。本发明采用现有的深度学习网络技术获得声纹特征信息，此处不再赘述。并且通过现有的余弦相似度计算方法来进行声纹特征信息与该用户B预存的声纹特征信息的比较，此处不再赘述。

并且，根据当前所有子音频的子文本的总字数对每段子音频的相似度值进行加权平均获得相似度平均值，子文本的总字数与相似度值的加权平均的权重成正向增长，例如：子音频211的相似度为95％，子音频211对应的子文本包含4个汉字，子音频212的相似度90％，子音频212对应的子文本包含5个汉字，子音频213’的相似度80％。子音频213’对应的子文本包含4个汉字。

则三段子音频211、212、213’的相似度平均值S的计算过程为

S＝95％×[4÷(4+5+4)]+90％×[5÷(4+5+4)]+80％×[4÷(4+5+4)]

＝29.23％+34.615％+24.616％

＝88.461％。

根据判断第一文本找到对应的预设认证问题，根据第一文本与第二文本的时序关系，当第二文本中是否匹配预设认证问题的答案时，则增加相似度平均值，匹配预设认证问题的数量与相似度平均值提升的比例正相关。预设问题回答正确时，相似度平均值S增加10％，则最后的三段子音频211、212、213’的相似度平均值S＝88.461％×1.05％＝92.88405％重复执行上述步骤后，经过第二次问答(第一语音信息12以及第二语音信息22)、第三次问答((第一语音信息13以及第二语音信息23))的后的相似度平均值S＝91％，则相似度平均值(相似度平均值S＝91％)大于预设相似度阈值(预设相似度阈值为90％)则认证成功，用户B获得预设授权。

本发明可以对进线通话进行实时处理，结果实时返回给客服PC端，当系统判此人为非授权者时启动相应的问答方案；当系统判此人为授权者时减少相应问题的询问时间，节省人力，并提升授权者的体验感。另外，授权场景下的对话内容单一，且相应的后续订单处理方案有限，自动化可行性高，但在接入机器人后，虽可直接将授权者授权的订单进行处理，实现自动化，节省大量人力，但现有的机器人并不能确定说话人的授权者身份是否真实，故本发明能够在授权人口头授权的过程中完成身份认证，完善安全检测环节，维护双方公司利益。本发明的基于声纹识别的远程授权方法能够直接将授权者授权的订单进行处理，实现自动化，节省大量人力，在授权者口头授权的过程中完成身份认证，完善安全检测环节，维护用户利益，并且能够减少授权者与客服机器人间为确认身份产生的多个问题，降低客服机器人出错的可能，并且减少授权者对客服机器人的排斥，提升用户体验。

图5是本发明的基于声纹识别的远程授权系统的模块示意图。如图5所示，本发明的实施例还提供一种基于声纹识别的远程授权系统，用于实现上述的基于声纹识别的远程授权方法，基于声纹识别的远程授权系统5包括：

预存模块500，预存每位用户的账户以及与账户关联的预设授权、声纹特征信息、预设认证问题、相似度阈值。

通话模块501，接到用户的语音，客服与用户进行预设认证问题的问答，对用户语音与客服语音进行分离，分别对客服语音的第一语音信息和用户语音的第二语音信息进行音频到文本的识别获得第一文本和第二文本。

切割模块502，实时将接收到的用户语音的音频根据预设时长为单位切割为多段子音频，并且根据子音频的时序对应切割第二文本，获得每段子音频对应的子文本，向每一段子音频输入电话背景音的反向波形，抑制背景音，将时长不满足预设时长的子音频进行局部复制以满足预设时长。

提取模块503，自子音频提取音频特征，输入深度学习网络，获得子音频的声纹特征信息。

评估模块504，将每段子音频的声纹特征信息与该用户预存的声纹特征信息进行余弦相似度比较，获得相似度值。

加权模块505，根据当前所有子音频的子文本的总字数对每段子音频的相似度值进行加权平均获得相似度平均值，子文本的总字数与相似度值的加权平均的权重成正向增长。

升权模块506，根据判断第一文本找到对应的预设认证问题，根据第一文本与第二文本的时序关系，当第二文本中是否匹配预设认证问题的答案时，则增加相似度平均值，匹配预设认证问题的数量与相似度平均值提升的比例正相关

判断模块507，判断相似度平均值是否满足预设相似度阈值，若是，则执行认证模块，若否，则执行拒绝模块。

认证模块508，认证成功，用户获得预设授权。

拒绝模块509，认证失败，返回切割模块502。

本系统依赖于声纹库。为确保各授权者身份，初始声纹库根据各公司授权者提供的录音提取声纹特征，上线后是个动态的声纹库，具有增删查改的功能。即，对于新进授权者，由于库中无对应声纹特征，故将该通声纹特征作为该公司授权者注册存入声纹库；当判断说话人与库中一致时，计算该通通话质量评估分值，若大于库中对应值，则以该通声纹特征进行替换。若无初始声纹库，也可基于本发明增删查改的功能从头积累。

步骤2：授权者声纹确认

对于实时进入的通话，对其进行通道分离，并基于VAD(语音活动检测VoiceActivity Detection,VAD)按句切割，当静音部分连续大于1s时认为上句话结束，并在静音部分前进行断句，每句不长于4s，长于4s的按4s长度进行切割；通过广告背景模型检测该段是否有效，对于有效音频在特征提取处对其长度进行处理，不足4s的自我复制补足；提取stft特征(短时傅里叶变换音频特征)作为深度学习模型的输入，提取声纹特征；该特征与库中对应进行1对1比对，当大于给定阈值时，认为可以减少身份确认等问题，反之不能。对于后续进入的片段，均综合全部已进入片段声纹特征给出结果，这里接入语音识别转写(asr)，基于有效字数进行加权平均。

本发明的基于声纹识别的远程授权系统能够直接将授权者授权的订单进行处理，实现自动化，节省大量人力，在授权者口头授权的过程中完成身份认证，完善安全检测环节，维护用户利益，并且能够减少授权者与客服机器人间为确认身份产生的多个问题，降低客服机器人出错的可能，并且减少授权者对客服机器人的排斥，提升用户体验。

本发明实施例还提供一种基于声纹识别的远程授权设备，包括处理器。存储器，其中存储有处理器的可执行指令。其中，处理器配置为经由执行可执行指令来执行的基于声纹识别的远程授权方法的步骤。

如上所示，该实施例本发明的基于声纹识别的远程授权系统能够直接将授权者授权的订单进行处理，实现自动化，节省大量人力，在授权者口头授权的过程中完成身份认证，完善安全检测环节，维护用户利益，并且能够减少授权者与客服机器人间为确认身份产生的多个问题，降低客服机器人出错的可能，并且减少授权者对客服机器人的排斥，提升用户体验。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。

图6是本发明的基于声纹识别的远程授权设备的结构示意图。下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的基于声纹识别的远程授权方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。

如上所示，该实施例本发明的基于声纹识别的远程授权系统能够直接将授权者授权的订单进行处理，实现自动化，节省大量人力，在授权者口头授权的过程中完成身份认证，完善安全检测环节，维护用户利益，并且能够减少授权者与客服机器人间为确认身份产生的多个问题，降低客服机器人出错的可能，并且减少授权者对客服机器人的排斥，提升用户体验。

图7是本发明的计算机可读存储介质的结构示意图。参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上，本发明的目的在于提供基于声纹识别的远程授权方法、系统、设备及存储介质，本发明的基于声纹识别的远程授权系统能够直接将授权者授权的订单进行处理，实现自动化，节省大量人力，在授权者口头授权的过程中完成身份认证，完善安全检测环节，维护用户利益，并且能够减少授权者与客服机器人间为确认身份产生的多个问题，降低客服机器人出错的可能，并且减少授权者对客服机器人的排斥，提升用户体验。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种基于声纹识别的远程授权方法，其特征在于，包括以下步骤：

S110、接到用户的语音，客服与所述用户进行预设认证问题的问答,对用户语音与客服语音进行分离，分别对客服语音的第一语音信息和用户语音的第二语音信息进行音频到文本的识别获得第一文本和第二文本；

S120、实时将接收到的用户语音的实时音频根据预设时长为单位切割为多段子音频,包括根据所述子音频的时序对应转写第二文本，获得每段所述子音频对应的子文本；

S130、自所述子音频提取音频特征，输入深度学习网络，获得所述子音频的声纹特征信息；

S140、将每段所述子音频的声纹特征信息与该用户预存的声纹特征信息进行余弦相似度比较，获得相似度值；

S150、根据当前所有所述子音频的子文本的总字数对每段所述子音频的相似度值进行加权平均获得相似度平均值，所述子文本的总字数与所述相似度值的加权平均的权重成正向增长；

S160、根据所述第一文本找到对应的预设认证问题，根据所述第一文本与所述第二文本的时序关系，当所述第二文本匹配所述预设认证问题对应的答案时，则提高所述相似度平均值，匹配所述预设认证问题的数量与所述相似度平均值提升的比例正相关；

S170、判断所述相似度平均值是否满足预设相似度阈值，若是，则执行步骤S180，若否，则执行步骤S190；

S180、认证成功，所述用户获得预设授权；

S190、认证失败，返回步骤S120。

2.根据权利要求1所述的基于声纹识别的远程授权方法，其特征在于，所述步骤S110之前还包括以下步骤：

S100、预存每位用户的账户以及与所述账户关联的预设授权、声纹特征信息、预设认证问题、相似度阈值。

3.根据权利要求1所述的基于声纹识别的远程授权方法，其特征在于，所述步骤S120中还包括向每一段子音频输入电话背景音的反向波形，抑制背景音。

4.根据权利要求1所述的基于声纹识别的远程授权方法，其特征在于，所述步骤S120中还包括将时长不满足预设时长的子音频进行局部复制以满足预设时长。

5.根据权利要求1所述的基于声纹识别的远程授权方法，其特征在于，所述步骤S180中还包括获得预存的所述声纹特征信息的第一质量评估分值以及当前所述用户语音的实时音频的第二质量评估分值，当所述第二质量评估分值大于所述第一质量评估分值时，将所述实时音频的声纹特征信息替换预存的所述声纹特征信息。

6.一种基于声纹识别的远程授权系统，用于实现权利要求1所述的基于声纹识别的远程授权方法，其特征在于，包括：

通话模块，接到所述用户的语音，客服与所述用户进行预设认证问题的问答；

切割模块，实时将接收到的用户语音的音频根据预设时长为单位切割为多段子音频；

提取模块，自所述子音频提取音频特征，输入深度学习网络，获得所述子音频的声纹特征信息；

评估模块，将每段所述子音频的声纹特征信息与该用户预存的声纹特征信息进行余弦相似度比较，获得相似度值；

判断模块，判断所述相似度平均值是否满足预设相似度阈值，若是，则执行认证模块，若否，则执行拒绝模块；

认证模块，认证成功，所述用户获得预设授权；

拒绝模块，认证失败，返回切割模块。

7.一种基于声纹识别的远程授权设备，其特征在于，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至5任意一项所述基于声纹识别的远程授权方法的步骤。

8.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至5任意一项所述基于声纹识别的远程授权方法的步骤。

Images