CN112634880A - 话者识别的方法、装置、设备、存储介质以及程序产品 - Google Patents
话者识别的方法、装置、设备、存储介质以及程序产品 Download PDFInfo
- Publication number
- CN112634880A CN112634880A CN202011526184.7A CN202011526184A CN112634880A CN 112634880 A CN112634880 A CN 112634880A CN 202011526184 A CN202011526184 A CN 202011526184A CN 112634880 A CN112634880 A CN 112634880A
- Authority
- CN
- China
- Prior art keywords
- clause
- domain
- speaker
- network
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000000605 extraction Methods 0.000 claims abstract description 90
- 238000012549 training Methods 0.000 claims abstract description 69
- 230000006870 function Effects 0.000 claims description 41
- 238000001228 spectrum Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 24
- 238000009432 framing Methods 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 241001522296 Erithacus rubecula Species 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000037433 frameshift Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual 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
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- 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
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- 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
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- 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
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本公开提供了话者识别的方法、装置、设备、存储介质及程序产品,涉及人工智能领域,具体涉及语音识别、深度学习、大数据以及云计算等领域。具体实现方案为:获取初始模型,初始模型包括特征提取网络;获取源域样本音频和目标域样本音频的样本特征,源域样本音频包括话者标签和领域标签,目标域样本音频包括领域标签;基于特征提取网络对源域样本音频和目标域样本音频的样本特征逐帧提取,得到源域子句特征和目标域子句特征;利用源域子句特征和目标域子句特征,训练初始模型,以生成话者识别模型,话者识别模型用于识别目标域待识别音频的说话者。根据本公开的技术,可以提高话者识别模型的训练效率、减少训练周期。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及语音识别、大数据、深度学习以及云计算领域。
背景技术
相关技术中,在话者识别模型针对不同领域的应用中,由于不同领域的数据特点存在差异,例如数据编码、数据内容、数据信道以及数据维度等特点存在差异,因此话者识别模型在跨领域应用中存在识别效果不佳的问题。
基于此,需要对话者识别模型进行优化,通常需要收集大量目标领域相关业务的标注数据,重新训练模型并进行验证,存在训练周期长、人工成本高等缺陷。
发明内容
本公开提供了一种用于话者识别的方法、装置、设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种话者识别模型的生成方法,包括:
获取初始模型,初始模型包括特征提取网络;
获取源域样本音频和目标域样本音频的样本特征,源域样本音频包括话者标签和领域标签,目标域样本音频包括领域标签;
基于特征提取网络对源域样本音频和目标域样本音频的样本特征逐帧提取,得到源域子句特征和目标域子句特征;
利用源域子句特征和目标域子句特征,训练初始模型,以生成话者识别模型,话者识别模型用于识别目标域待识别音频的说话者。
根据本公开的另一方面,提供了一种话者识别的方法,包括:
获取目标域待识别音频的特征;
将目标域待识别音频的特征输入话者识别模型,以识别目标域待识别音频的说话者,其中,话者识别模型为根据本公开实施例的话者识别模型的生成方法生成。
根据本公开的另一方面,提供了一种话者识别模型的生成装置,包括:
初始模型获取模块,用于获取初始模型,初始模型包括特征提取网络;
样本特征获取模块,用于获取源域样本音频和目标域样本音频的样本特征,源域样本音频包括话者标签和领域标签,目标域样本音频包括领域标签;
子句特征提取模块,用于基于特征提取网络对源域样本音频和目标域样本音频的样本特征逐帧提取,得到源域子句特征和目标域子句特征;
话者识别模型生成模块,用于利用源域子句特征和目标域子句特征,训练初始模型,以生成话者识别模型,话者识别模型用于识别目标域待识别音频的说话者。
根据本公开的另一方面,提供了一种话者识别装置,包括:
特征获取模块,用于获取目标域待识别音频的特征;
说话者识别模块,用于将目标域待识别音频的特征输入话者识别模型,以识别目标域待识别音频的说话者,其中,话者识别模型为根据本公开实施例的话者识别模型的生成装置生成。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术,可以提高对样本特征的提取精度和准确度,从而弱化对目标域样本音频的依赖,降低对目标领域样本音频进行获取和标注的成本,提高话者识别模型的训练效率、减少训练周期,并且大幅提升话者识别模型对说话人鉴别的准确率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一方面实施例的话者识别模型的生成方法的流程图;
图2是根据本公开第一方面实施例的方法中提取源域子句特征和目标域子句特征的具体流程图;
图3是根据本公开第一方面实施例的方法中训练初始模型的具体流程图;
图4是根据本公开第一方面实施例的方法中训练领域识别网络的具体流程图;
图5是根据本公开第一方面实施例的方法中训练话者识别网络的具体流程图;
图6是根据本公开第一方面实施例的方法中生成话者识别模型的具体流程图;
图7是根据本公开第一方面实施例的方法中获取源域样本音频和目标域样本音频的样本特征的具体流程图;
图8是根据本公开第二方面实施例的话者识别方法的流程图;
图9是根据本公开第三方面实施例的话者识别模型的生成装置的示意图;
图10是根据本公开第四方面实施例的话者识别装置的示意图;
图11是根据本公开第五方面实施例的电子设备的框图;
图12是可以实现本公开第一方面实施例的话者识别模型的生成方法的场景图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
如图1所示,本公开实施例提供一种话者识别模型的生成方法,涉及人工智能技术领域,尤其涉及语音识别、大数据、深度学习以及云计算等领域。该方法可以包括以下步骤:
步骤S101:获取初始模型,初始模型包括特征提取网络;
步骤S102:获取源域样本音频和目标域样本音频的样本特征,源域样本音频包括话者标签和领域标签,目标域样本音频包括领域标签;
步骤S103:基于特征提取网络对源域样本音频和目标域样本音频的样本特征逐帧提取,得到源域子句特征和目标域子句特征;
步骤S104:利用源域子句特征和目标域子句特征,训练初始模型,以生成话者识别模型,话者识别模型用于识别目标域待识别音频的说话者。
根据本公开实施例的话者识别模型的生成方法,可以将应用于源领域的声纹识别模型通过训练和优化,使该声纹识别模型可以应用于目标领域,以对目标领域的待识别音频的说话者进行识别,从而实现声纹识别模型在跨领域场景下的应用。例如,通过本公开实施例的话者识别模型的生成方法,可以对适用于保险领域、对涉及保险业务的音频进行说话者识别的声纹识别模型,进行训练及优化,以得到适用于银行领域、对涉及银行卡申请业务的音频进行说话者识别的话者识别模型。其中,源领域即为保险领域,目标领域即为银行领域。可以理解的是,上述仅是示意性,并不能理解为对本公开的限制,本公开实施例的话者识别模型的生成方法可以应用于涉及说话者识别场景的各种领域,并实现话者识别模型的跨领域应用。
在步骤S101中,通过对适用于源域待识别音频的说话者进行识别的模型进行初始化,以获取初始模型。具体地,可以将应用于源域的模型的参数进行初始化,以在后续的训练过程中对模型的参数不断进行更新。
在步骤S102中,源域样本音频包括说话者标签和领域标签,目标域样本音频可以仅包括领域标签。可以理解的是,由于初始模型在初始化之前已经在源领域进行了应用,因此源域样本音频的说话者标签可以直接获取,无需重新进行人工标注。并且,源域样本音频的领域标签和目标域样本音频的领域标签,可以根据源域样本音频和目标域样本音频各自所在的领域直接标注即可,人工标注成本较低。
示例性地,可以通过对源域样本音频和目标域样本音频分别提取MFCC(Mel-scaleFrequency Cepstral Coefficients,梅尔倒谱系数)特征,以获取源域样本音频和目标域样本音频的样本特征。MFCC特征的具有较好的鲁棒性,比较符合人耳的听觉特性,并且在样本音频的信噪比较低时,仍然具有较好的识别效果。
需要说明的是,以上仅是示意性描述,在本公开的其他示例中,源域样本音频和目标域样本音频的样本特征,也可以通过提取PLP(Perceptual Linear Predictive,感知线性预测)特征、提取FBank(FilterBank)特征或FFT(Fast Fourier Transform,快速傅里叶变换)得到。
示例性地,特征提取网络可以采用高斯混合模型(Gaussian Mixture Model,GMM)或深度神经网络模型(Deep Neural Networks,DNN)、卷积神经网络模型(ConvolutionalNeural Networks,CNN)等其他模型。特征提取网络根据输入的源域样本音频和目标域样本音频的样本特征,对样本特征进行分帧处理,以得到多个帧级别特征,通过从多个帧级别特征中选取重点帧级别特征,并通过对重点帧级别特征进行子句表征,以得到源域子句特征和目标域子句特征。
需要说明的是,说话者特征相对于领域特征(对信道或其他因素产生影响的特征)更为复杂,通过采用帧级别这种颗粒度较小的提取方式,可以提高特征提取网络对样本特征的提取精度和准确度,使特征提取网络更好地刻画说话人的特征。
示例性地,初始模型还可以包括话者识别网络和领域识别网络,其中,特征提取网络与领域识别网络构成第一支路,特征提取网络与话者识别网络构成第二支路。在步骤S104中,在对初始模型进行训练的过程中,可以将源域音频样本和目标域音频样本的样本特征输入领域识别网络进行训练,以使领域识别网络逐渐收敛,将源域音频样本的样本特征输入话者识别网络进行训练,以使话者识别网络逐渐收敛。以及,根据领域识别网络和话者识别网络训练过程中的损失函数值对特征提取网络进行训练,以使特征提取网络逐渐收敛。
在领域识别网络、话者识别网络和特征提取网络均收敛的情况下,将得到的目标话者网络和目标特征提取网络生成话者识别模型,以对目标领域的待识别音频的说话者进行识别。
根据本公开实施例的话者识别模型的生成方法,通过利用初始模型的特征提取网络对源域样本音频和目标域样本音频的样本特征进行逐帧提取,并从得到的帧级别特征中进一步提取重点帧级别特征,以得到源域子句特征和目标域子句特征,由此,可以提高对样本特征的提取精度和准确度,从而弱化对目标域样本音频的依赖,降低对目标领域样本音频进行获取和标注的成本,提高话者识别模型的训练的效率、减少训练周期,并且大幅提升话者识别模型对说话人鉴别的准确率。
再者,通过利用源域子句特征和目标域子句特征对初始模型进行训练,例如对领域识别模型和目标域识别模型分别进行训练,并利用训练过程中各模型的损失函数值对特征提取网络进行训练,可以提高初始模型在跨领域应用场景下的鲁棒性,最终消除源领域和目标领域的差异对特征提取的影响,并且提高对说话人相关特征的提取效果,从而得到可以对目标域待识别音频进行说话者识别的话者识别模型。
如图2所示,在一种实施方式中,特征提取网络包括第一门控循环单元、帧级别注意力层和统计池化层(statistics pooling),其中,步骤S103包括:
步骤S201:利用第一门控循环单元对源域样本音频和目标域样本音频的样本特征进行分帧处理得到多个帧级别数据,并将多个帧级别数据映射至帧级别注意力层;
步骤S202:利用帧级别注意力层从多个帧级别数据中提取重点帧级别数据,并输出至统计池化层;
步骤S203:利用统计池化层根据重点帧级别数据输出源域样本音频的子句特征和目标域样本音频的子句特征。
本领域技术人员可以理解的是,门控循环单元(gated recurrent Unit,GRU)是循环神经网络中的一种门控机制,与其他门控机制相似,其旨在解决循环神经网络中的梯度消失或爆炸的问题,并且可以较好地捕捉时间补距离较大的依赖关系。其中,第一门控循环单元可以采用双向门控循环单元,即可以使数据沿前向或反向在不同梯度间双向传输。
示例性地,特征提取网络可以包括多个帧级别注意力层,不同的帧级别注意力层可以基于不同的维度对多个帧级别数据进行关注和提取,并将提取到的重点帧级别数据输出至统计池化层,对多个重点帧级别数据进行池化操作并输出源域子句特征和目标域子句特征。其中,统计池化层可以是一般池化层、重叠池化层一级空金字塔池化层中的任一种。
通过上述方案,特征提取网络在对样本特征逐帧提取的过程中,可以获取长距离相互依赖的特征,并利用不同的帧级别注意力层对侧重点不同的重点帧级别数据进行提取,有利于提高对样本特征的提取精度和准确度,从而提高特征提取网络对说话人特征以及领域特征的刻画效果。
如图3所示,在一种实施方式中,初始模型还包括话者识别网络和领域识别网络,其中,步骤S104包括:
步骤S301:利用源域子句特征和目标域子句特征训练领域识别网络;
步骤S302:利用源域子句特征训练话者识别网络;
步骤S303:利用领域识别网络训练过程中的第一损失函数值和话者识别网络训练过程中的第二损失函数值,根据梯度下降算法对特征提取网络进行训练。
示例性地,在步骤S301中,在对领域识别网络训练的过程中,将特征提取网络输出的源域子句特征和目标域子句特征输入领域识别网络,领域识别网络经过识别并输出源域识别结果和目标域识别结果。通过评估源域识别结果和目标域域识别结果之间的差异化分布以及计算第一损失函数值,并将第一损失函数值反向传递至领域识别网络,以调整领域识别网络并对领域识别网络进行优化和更新,直至领域识别网络收敛。由此,可以训练领域识别网络逐渐弱化源领域和目标领域之间的差异,逐渐提高初始模型在跨领域下的鲁棒性。
在对话者识别网络训练的过程中,将特征提取网络输出的源域子句特征输入话者识别网络,话者识别网络经过识别并输出话者识别结果。通过评估话者识别结果与话者标签之间的差异化分布以及计算第二损失函数值,并将第二损失函数值反向传递至话者识别网络,以调整话者识别网络并对话者识别网络进行优化和更新,直至话者识别网络收敛。由此,可以训练话者识别领域逐渐提高对说话者的识别能力。
基于领域识别网络训练过程中的第一损失函数值以及话者识别网络训练过程中的第二损失函数值,根据随机梯度下降算法(Stochastic Gradient Descent,SGD)反向更新特征提取网络,直至特征提取网络收敛。由此,可以训练特征提取网络逐渐提高关于源领域和目标领域特征提取的共性,最终消除源领域和目标领域的差异对特征提取的影响,并且提高对说话人相关特征的提取效果。
如图4所示,在一种实施方式中,领域识别网络包括第二门控循环单元、子句级别注意力层和特征表示层,步骤S301可以包括:
步骤S3011:利用第二门控循环单元将源域子句特征和目标域子句特征映射至子句级别注意力层;
步骤S3012:利用子句级别注意力层从源域子句特征和目标域子句特征中分别提取重点子句特征,并输出至特征表示层;
步骤S3013:利用特征表示层基于重点子句特征输出源域识别结果和目标域识别结果;
步骤S3014:计算源域识别结果与目标域识别结果的Wasserstein距离和第一损失函数值,基于Wasserstein距离和第一损失函数值调整领域识别网络,直至领域识别网络收敛。
示例性地,第二门控循环单元可以为双向门控循环单元,以使数据在领域识别网路的不同梯度之间沿前向或反向双向传递。
领域识别网络的包括多个子句级别注意力层,且不同的子句级别注意力层可以针对与领域相关的不同的侧重点,从源域子句特征和目标域子句特征中提取不同的重点子句特征。
领域识别网络训练过程中的第一损失函数值可以利用交叉熵函数(CrossEntroy)计算得到。
通过计算源域识别结果与目标域识别结果的Wasserstein距离,可以得到源域识别结果与目标域识别结果的差异分布情况。可以理解的是,Wessertein距离相比KL散度和JS散度的优势在于,即使两个分布的支撑集没有重叠或者重叠非常少,仍然能反映两个分布的远近。由此,通过源域识别结果与目标域识别结果的Wasserstein距离,可以更好地反映源域识别结果与目标域识别结果的差异分布情况,有利于在后续迭代训练中更好地弱化源领域与目标领域之间的领域差异,从而更好地提高初始模型在跨领域应用场景下的鲁棒性。
如图5所示,在一种实施方式中,话者识别网络包括第三门控循环单元、子句级别注意力层和特征表示层,步骤S302可以包括:
步骤S3021:利用第三门控循环单元将源域子句特征映射至子句级别注意力层;
步骤S3022:利用子句级别注意力层从源域子句特征中提取重点子句特征,并输出至特征表示层;
步骤S3023:利用特征表示层基于重点子句特征输出话者识别结果;
步骤S3024:计算话者识别结果与话者标签的第二损失函数值,基于第二损失函数值调整话者识别网络,直至话者识别网络收敛。
示例性地,第三门控循环单元可以为双向门控循环单元,以使数据在领域识别网路的不同梯度之间沿前向或反向双向传递。
话者识别网络可以包括多个子句级别注意力层,且不同的子句级别注意力层可以针对与说话者相关的不同的侧重点,从源域子句特征中提取不同的重点子句特征。
话者识别网络训练过程中的第二损失函数值同样可以利用交叉熵函数(CrossEntroy)计算得到。
通过将源域子句特征作为话者识别网络的多轮训练数据,经过多轮迭代,可以逐渐提高话者识别网络对说话者识别的准确性,最终在话者识别网络收敛的情况下,可以使话者识别网络对待识别音频的说话者具有较好的识别能力,从而在领域识别网络同样收敛的情况下,可以使话者识别网络能够较好地识别目标域待识别音频的说话者。
如图6所示,在一种实施方式中,其中,步骤S104包括:
步骤S304:在将话者识别网络训练至收敛的情况下,得到目标话者识别网络;
步骤S305:在将特征提取网络训练至收敛的情况下,得到目标特征提取网络;
步骤S306:基于目标话者识别网络和目标特征提取网络,生成话者识别模型。
经过训练并收敛后得到的目标特征提取网络,在对样本特征进行提取的过程中,可以不受目标领域与源领域之间的领域差异影响,仅提取与说话者相关的特征。经过训练并收敛后得到的话者识别网络,在对子句特征进行识别的过程中,可以基于与说话者相关的特征对说话者进行识别,最终得到目标域待识别音频的说话者。
如图7所示,在一种实施方式中,步骤S102包括:
步骤S401:对源域样本音频和目标域样本音频进行分帧处理,得到多个帧级别数据;
步骤S402:根据周期图法估算出多个帧级别数据的功率谱;
步骤S403:利用多个滤波器对功率谱进行滤波,对各滤波器的能量进行DCT变换,将得到的源域样本音频的MFCC特征作为源域样本音频的样本特征,以及将得到的目标域样本音频的MFCC特征作为目标域样本音频的样本特征。
在一个具体示例中,获取源域样本音频和目标域样本音频的样本特征具体可以包括以下步骤:
对源域样本音频和目标域样本音频依次进行预加重(Preemphasis)、分帧(FrameBlocking)和加窗(Windowing)处理。具体地,预加重处理可以是利用高通滤波器滤去低频,使样本音频的高频特性更加突现。假设样本特征的采样频率为8KHz,由于帧级别数据在10-30ms相对稳定,因此帧级别数据的帧长可以设置为80~240点,帧移可以设置为帧长的1/2。为避免丢失语音信号的动态信息,相邻帧之间要有一段重叠区域,重叠区域一段为帧长的1/2或1/3。然后再将每帧乘上窗函数,以增加每帧左端和右端的连续性。对分帧加窗后的各个帧级别数据进行FFT变换得到各帧级别数据的频谱,并对语音信号的频谱取模平方得到帧级别数据的功率谱。利用多个滤波器对功率谱进行滤波。对所有的滤波器输出做对数运算,再进一步做离散余弦变换(Discrete Cosine TransformDCT),最终得到源域样本音频和目标域样本音频的MFCC特征。
图12示出了初始模型的架构图,通过本公开实施例的话者识别模型的生成方法训练该初始模型,可以得到话者识别模型。
如图12所示,初始模型包括帧级别的特征提取网络G、以及子句级别的说话人识别网络D1和领域识别网络D2。具体地,特征提取网络G包括双向门控循环单元(即第一门控循环单元)、注意力层(即帧级别注意力层)和统计池化层,说话人识别网络D1包括双向门控循环单元(即第三门控循环单元)、注意力层(即子句级别注意力层)和特征表示层,领域识别网络包括双向门控循环单元(即第二门控循环单元)、注意力层(即子句级别注意力层)和特征表示层。其中,特征提取网络G用于输入源域数据(即源域音频样本的样本特征)和目标域数据(即目标域音频样本的样本特征),输出源域特征(即源域子句特征)和目标域特征(即目标域子句特征);说话人识别网络D1用于输入源域特征并输出说话人标签(即话者识别结果);领域识别网络D2用于输入源域特征和目标域特征,输出源域识别结果和目标域识别结果,并通过计算二者的Wasserstein距离衡量二者的差异分布结果。特征提取网络G和说话人识别网络D1构成第一支路,特征提取网络G和说话人识别网络D2构成第二支路。
如图8所示,本公开实施例提供一种话者识别方法,该方法可以包括以下步骤:
步骤S501:获取目标域待识别音频的特征;
步骤S502:将目标域待识别音频的特征输入话者识别模型,以识别目标域待识别音频的说话者,其中,话者识别模型为根据本公开实施例的话者识别模型的生成方法生成。
示例性地,话者识别模型可以包括目标特征提取网络和目标话者识别模型,其中,目标特征提取网络和目标话者识别模型可以根据本公开实施例的话者识别模型的生成方法训练得到。
在识别模型对目标域待识别音频的样本特征进行识别的过程中,将目标域待识别音频的样本特征输入目标特征提取网络。目标特征提取网络的第一门控循环单元对样本特征进行分帧处理,并将得到的多个帧级别数据输出至帧级别注意力层;帧级别注意力层从多个帧级别数据中提取重点帧级别数据,并输出至统计池化层;统计池化层基于重点帧级别数据,生成子句特征并输出至目标话者识别网络。目标话者识别网络的第三门控循环单元接将子句特征映射至子句级别注意力层;子句级别注意力层从子句特征中提取重点子句特征,并输出至特征表示层;特征表示层根据重点子句特征输出话者识别结果。
根据本公开实施例的话者识别方法,通过利用根据本公开实施例的话者识别模型的生成方法所生成的话者识别模型,可以实现在跨领域场景下的应用,有效的解决了话者识别模型在不同领域下识别不佳的技术问题,并且对目标域待识别音频的说话者的识别准确性较高。
在一种实施方式中,其中,步骤S501可以包括:
对目标域待识别音频进行分帧处理,得到多个帧级别数据;
根据周期图法估算出多个帧级别数据的功率谱;
利用多个滤波器对功率谱进行滤波,对各滤波器的能量进行DCT变换,将得到的MFCC特征作为目标域待识别音频的特征。
在一个具体示例中,获取源域样本音频和目标域样本音频的样本特征具体可以包括以下步骤:
对源域样本音频和目标域样本音频依次进行预加重(Preemphasis)、分帧(FrameBlocking)和加窗(Windowing)处理。具体地,预加重处理可以是利用高通滤波器滤去低频,使样本音频的高频特性更加突现。假设样本特征的采样频率为8KHz,由于帧级别数据在10-30ms相对稳定,因此帧级别数据的帧长可以设置为80~240点,帧移可以设置为帧长的1/2。为避免丢失语音信号的动态信息,相邻帧之间要有一段重叠区域,重叠区域一段为帧长的1/2或1/3。然后再将每帧乘上窗函数,以增加每帧左端和右端的连续性。对分帧加窗后的各个帧级别数据进行FFT变换得到各帧级别数据的频谱,并对语音信号的频谱取模平方得到帧级别数据的功率谱。利用多个滤波器对功率谱进行滤波。对所有的滤波器输出做对数运算,再进一步做离散余弦变换(Discrete Cosine TransformDCT),最终得到源域样本音频和目标域样本音频的MFCC特征。
如图9所示,本公开实施例提供一种话者识别模型的生成装置,包括:
初始模型获取模块601,用于获取初始模型,初始模型包括特征提取网络;
样本特征获取模块602,用于获取源域样本音频和目标域样本音频的样本特征,源域样本音频包括话者标签和领域标签,目标域样本音频包括领域标签;
子句特征提取模块603,用于基于特征提取网络对源域样本音频和目标域样本音频的样本特征逐帧提取,得到源域子句特征和目标域子句特征;
话者识别模型生成模块604,用于利用源域子句特征和目标域子句特征,训练初始模型,以生成话者识别模型,话者识别模型用于识别目标域待识别音频的说话者。
在一种实施方式中,特征提取网络包括第一门控循环单元、帧级别注意力层和统计池化层,其中,子句特征提取模块603包括:
帧级别数据提取单元,用于利用第一门控循环单元对源域样本音频和目标域样本音频的样本特征进行分帧处理得到多个帧级别数据,并将多个帧级别数据映射至帧级别注意力层;
重点帧级别数据提取单元,用于利用帧级别注意力层从多个帧级别数据中提取重点帧级别数据,并输出至统计池化层;
子句特征提取单元,用于利用统计池化层根据重点帧级别数据输出源域样本音频的子句特征和目标域样本音频的子句特征。
在一种实施方式中,初始模型还包括话者识别网络和领域识别网络,其中,话者识别模型生成模块604包括:
领域识别网络训练单元,用于利用源域子句特征和目标域子句特征训练领域识别网络;
话者识别网络训练单元,用于利用源域子句特征训练话者识别网络;
特征提取网络训练单元,用于利用领域识别网络训练过程中的第一损失函数值和话者识别网络训练过程中的第二损失函数值,根据梯度下降算法对特征提取网络进行训练。
在一种实施方式中,领域识别网络包括第二门控循环单元、子句级别注意力层和特征表示层,其中,领域识别网络训练单元还用于:
利用第二门控循环单元将源域子句特征和目标域子句特征映射至子句级别注意力层;
利用子句级别注意力层从源域子句特征和目标域子句特征中分别提取重点子句特征,并输出至特征表示层;
利用特征表示层基于重点子句特征输出源域识别结果和目标域识别结果;
计算源域识别结果与目标域识别结果的Wasserstein距离和第一损失函数值,基于Wasserstein距离和第一损失函数值调整领域识别网络,直至领域识别网络收敛。
在一种实施方式中,话者识别网络包括第三门控循环单元、子句级别注意力层和特征表示层,其中,话者识别网络训练单元还用于:
利用第三门控循环单元将源域子句特征映射至子句级别注意力层;
利用子句级别注意力层从源域子句特征中提取重点子句特征,并输出至特征表示层;
利用特征表示层基于重点子句特征输出话者识别结果;
计算话者识别结果与话者标签的第二损失函数值,基于第二损失函数值调整话者识别网络,直至话者识别网络收敛。
在一种实施方式中,话者识别模型生成模块604还包括:
目标话者识别网络生成单元,用于在将话者识别网络训练至收敛的情况下,生成目标话者识别网络;
目标特征提取网络生成单元,用于在将特征提取网络训练至收敛的情况下,生成目标特征提取网络;
话者识别模型生成单元,用于基于目标话者识别网络和目标特征提取网络,生成话者识别模型。
在一种实施方式中,其中,样本特征获取模块602包括:
分帧处理单元,用于对源域样本音频和目标域样本音频进行分帧处理,得到多个帧级别数据;
功率谱估算单元,用于根据周期图法估算出多个帧级别数据的功率谱;
样本特征提取单元,用于利用多个滤波器对功率谱进行滤波,对各滤波器的能量进行DCT变换,将得到的源域样本音频的MFCC特征作为源域样本音频的样本特征,以及将得到的目标域样本音频的MFCC特征作为目标域样本音频的样本特征。
如图10所示,本公开实施例提供一种话者识别装置700,该装置可以包括以下组件:
特征获取模块701,用于获取目标域待识别音频的特征;
说话者识别模块702,用于将目标域待识别音频的特征输入话者识别模型,以识别目标域待识别音频的说话者,其中,话者识别模型为根据本公开实施例的话者识别模型的生成装置生成。
在一种实施方式中,特征获取模块701包括:
分帧处理单元,用于对目标域待识别音频进行分帧处理,得到多个帧级别数据;
功率谱估算单元,用于根据周期图法估算出多个帧级别数据的功率谱;
特征提取单元,用于利用多个滤波器对功率谱进行滤波,对各滤波器的能量进行DCT变换,将得到的MFCC特征作为目标域待识别音频的特征。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图11示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或要求的本公开的实现。
如图11所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元80执行上文所描述的各个方法和处理,例如话者识别模型的生成方法以及话者识别的方法。例如,在一些实施例中,话者识别模型的生成方法以及话者识别的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的话者识别模型的生成方法以及话者识别的方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行话者识别模型的生成方法以及话者识别的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种话者识别模型的生成方法,包括:
获取初始模型,所述初始模型包括特征提取网络;
获取源域样本音频和目标域样本音频的样本特征,所述源域样本音频包括话者标签和领域标签,所述目标域样本音频包括领域标签;
基于所述特征提取网络对所述源域样本音频和所述目标域样本音频的样本特征逐帧提取,得到源域子句特征和目标域子句特征;
利用所述源域子句特征和所述目标域子句特征,训练所述初始模型,以生成话者识别模型,所述话者识别模型用于识别目标域待识别音频的说话者。
2.根据权利要求1所述的方法,所述特征提取网络包括第一门控循环单元、帧级别注意力层和统计池化层,其中,基于所述特征提取网络对所述源域样本音频和所述目标域样本音频的样本特征逐帧提取,得到源域子句特征和目标域子句特征,包括:
利用所述第一门控循环单元对所述源域样本音频和所述目标域样本音频的样本特征进行分帧处理得到多个帧级别数据,并将多个所述帧级别数据映射至所述帧级别注意力层;
利用所述帧级别注意力层从多个所述帧级别数据中提取重点帧级别数据,并输出至所述统计池化层;
利用所述统计池化层根据所述重点帧级别数据输出所述源域样本音频的子句特征和所述目标域样本音频的子句特征。
3.根据权利要求1所述的方法,所述初始模型还包括话者识别网络和领域识别网络,其中,利用所述源域子句特征和所述目标域子句特征,训练所述初始模型,包括:
利用所述源域子句特征和所述目标域子句特征训练所述领域识别网络;
利用所述源域子句特征训练所述话者识别网络;
利用所述领域识别网络训练过程中的第一损失函数值和所述话者识别网络训练过程中的第二损失函数值,根据梯度下降算法对所述特征提取网络进行训练。
4.根据权利要求3所述的方法,所述领域识别网络包括第二门控循环单元、子句级别注意力层和特征表示层,其中,利用所述源域子句特征和所述目标域子句特征训练所述领域识别网络,包括:
利用所述第二门控循环单元将所述源域子句特征和所述目标域子句特征映射至所述子句级别注意力层;
利用所述子句级别注意力层从所述源域子句特征和所述目标域子句特征中分别提取重点子句特征,并输出至所述特征表示层;
利用所述特征表示层基于所述重点子句特征输出源域识别结果和目标域识别结果;
计算所述源域识别结果与所述目标域识别结果的Wasserstein距离和第一损失函数值,基于所述Wasserstein距离和所述第一损失函数值调整所述领域识别网络,直至所述领域识别网络收敛。
5.根据权利要求3所述的方法,所述话者识别网络包括第三门控循环单元、子句级别注意力层和特征表示层,其中,利用所述源域子句特征训练所述话者识别网络,包括:
利用所述第三门控循环单元将所述源域子句特征映射至所述子句级别注意力层;
利用所述子句级别注意力层从所述源域子句特征中提取重点子句特征,并输出至所述特征表示层;
利用所述特征表示层基于所述重点子句特征输出所述话者识别结果;
计算所述话者识别结果与所述话者标签的所述第二损失函数值,基于所述第二损失函数值调整所述话者识别网络,直至所述话者识别网络收敛。
6.根据权利要求3所述的方法,其中,生成话者识别模型,包括:
在将话者识别网络训练至收敛的情况下,得到目标话者识别网络;
在将所述特征提取网络训练至收敛的情况下,得到目标特征提取网络;
基于所述目标话者识别网络和所述目标特征提取网络,生成所述话者识别模型。
7.根据权利要求1所述的方法,其中,获取源域样本音频和目标域样本音频的样本特征,包括:
对所述源域样本音频和目标域样本音频进行分帧处理,得到多个帧级别数据;
根据周期图法估算出多个所述帧级别数据的功率谱;
利用多个滤波器对所述功率谱进行滤波,对各所述滤波器的能量进行DCT变换,将得到的所述源域样本音频的MFCC特征作为所述源域样本音频的样本特征,以及将得到的所述目标域样本音频的MFCC特征作为所述目标域样本音频的样本特征。
8.一种话者识别方法,包括:
获取目标域待识别音频的特征;
将所述目标域待识别音频的特征输入话者识别模型,以识别所述目标域待识别音频的说话者,其中,所述话者识别模型为根据权利要求1至7任一项所述的方法生成。
9.根据权利要求8所述的话者识别方法,其中,获取所述目标域待识别音频的特征,包括:
对所述目标域待识别音频进行分帧处理,得到多个帧级别数据;
根据周期图法估算出多个所述帧级别数据的功率谱;
利用多个滤波器对所述功率谱进行滤波,对各所述滤波器的能量进行DCT变换,将得到的MFCC特征作为所述目标域待识别音频的特征。
10.一种话者识别模型的生成装置,包括:
初始模型获取模块,用于获取初始模型,所述初始模型包括特征提取网络;
样本特征获取模块,用于获取源域样本音频和目标域样本音频的样本特征,所述源域样本音频包括话者标签和领域标签,所述目标域样本音频包括领域标签;
子句特征提取模块,用于基于所述特征提取网络对所述源域样本音频和所述目标域样本音频的样本特征逐帧提取,得到源域子句特征和目标域子句特征;
话者识别模型生成模块,用于利用所述源域子句特征和所述目标域子句特征,训练所述初始模型,以生成话者识别模型,所述话者识别模型用于识别目标域待识别音频的说话者。
11.根据权利要求10所述的装置,所述特征提取网络包括第一门控循环单元、帧级别注意力层和统计池化层,其中,所述子句特征提取模块包括:
帧级别数据提取单元,用于利用所述第一门控循环单元对所述源域样本音频和所述目标域样本音频的样本特征进行分帧处理得到多个帧级别数据,并将多个所述帧级别数据映射至所述帧级别注意力层;
重点帧级别数据提取单元,用于利用所述帧级别注意力层从多个所述帧级别数据中提取重点帧级别数据,并输出至所述统计池化层;
子句特征提取单元,用于利用所述统计池化层根据所述重点帧级别数据输出所述源域样本音频的子句特征和所述目标域样本音频的子句特征。
12.根据权利要求10所述的装置,所述初始模型还包括话者识别网络和领域识别网络,其中,所述话者识别模型生成模块包括:
领域识别网络训练单元,用于利用所述源域子句特征和所述目标域子句特征训练所述领域识别网络;
话者识别网络训练单元,用于利用所述源域子句特征训练所述话者识别网络;
特征提取网络训练单元,用于利用所述领域识别网络训练过程中的第一损失函数值和所述话者识别网络训练过程中的第二损失函数值,根据梯度下降算法对所述特征提取网络进行训练。
13.根据权利要求12所述的装置,所述领域识别网络包括第二门控循环单元、子句级别注意力层和特征表示层,其中,所述领域识别网络训练单元还用于:
利用所述第二门控循环单元将所述源域子句特征和所述目标域子句特征映射至所述子句级别注意力层;
利用所述子句级别注意力层从所述源域子句特征和所述目标域子句特征中分别提取重点子句特征,并输出至所述特征表示层;
利用所述特征表示层基于所述重点子句特征输出源域识别结果和目标域识别结果;
计算所述源域识别结果与所述目标域识别结果的Wasserstein距离和第一损失函数值,基于所述Wasserstein距离和所述第一损失函数值调整所述领域识别网络,直至所述领域识别网络收敛。
14.根据权利要求12所述的装置,所述话者识别网络包括第三门控循环单元、子句级别注意力层和特征表示层,其中,所述话者识别网络训练单元还用于:
利用所述第三门控循环单元将所述源域子句特征映射至所述子句级别注意力层;
利用所述子句级别注意力层从所述源域子句特征中提取重点子句特征,并输出至所述特征表示层;
利用所述特征表示层基于所述重点子句特征输出所述话者识别结果;
计算所述话者识别结果与所述话者标签的所述第二损失函数值,基于所述第二损失函数值调整所述话者识别网络,直至所述话者识别网络收敛。
15.根据权利要求12所述的装置,其中,所述话者识别模型生成模块还包括:
目标话者识别网络生成单元,用于在将话者识别网络训练至收敛的情况下,生成目标话者识别网络;
目标特征提取网络生成单元,用于在将所述特征提取网络训练至收敛的情况下,生成目标特征提取网络;
话者识别模型生成单元,用于基于所述目标话者识别网络和所述目标特征提取网络,生成所述话者识别模型。
16.根据权利要求10所述的装置,其中,所述样本特征获取模块包括:
分帧处理单元,用于对所述源域样本音频和目标域样本音频进行分帧处理,得到多个帧级别数据;
功率谱估算单元,用于根据周期图法估算出多个所述帧级别数据的功率谱;
样本特征提取单元,用于利用多个滤波器对所述功率谱进行滤波,对各所述滤波器的能量进行DCT变换,将得到的所述源域样本音频的MFCC特征作为所述源域样本音频的样本特征,以及将得到的所述目标域样本音频的MFCC特征作为所述目标域样本音频的样本特征。
17.一种话者识别装置,包括:
特征获取模块,用于获取目标域待识别音频的特征;
说话者识别模块,用于将所述目标域待识别音频的特征输入话者识别模型,以识别所述目标域待识别音频的说话者,其中,所述话者识别模型为根据权利要求10至16任一项所述的装置生成。
18.根据权利要求17所述的装置,其中,所述特征获取模块包括:
分帧处理单元,用于对所述目标域待识别音频进行分帧处理,得到多个帧级别数据;
功率谱估算单元,用于根据周期图法估算出多个所述帧级别数据的功率谱;
特征提取单元,用于利用多个滤波器对所述功率谱进行滤波,对各所述滤波器的能量进行DCT变换,将得到的MFCC特征作为所述目标域待识别音频的特征。
19.一种电子设备,其特征在于,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权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526184.7A CN112634880A (zh) | 2020-12-22 | 2020-12-22 | 话者识别的方法、装置、设备、存储介质以及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526184.7A CN112634880A (zh) | 2020-12-22 | 2020-12-22 | 话者识别的方法、装置、设备、存储介质以及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112634880A true CN112634880A (zh) | 2021-04-09 |
Family
ID=75320953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011526184.7A Pending CN112634880A (zh) | 2020-12-22 | 2020-12-22 | 话者识别的方法、装置、设备、存储介质以及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634880A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129900A (zh) * | 2021-04-29 | 2021-07-16 | 科大讯飞股份有限公司 | 一种声纹提取模型构建方法、声纹识别方法及其相关设备 |
CN113393848A (zh) * | 2021-06-11 | 2021-09-14 | 上海明略人工智能(集团)有限公司 | 用于训练说话人识别模型的方法、装置、电子设备和可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180374486A1 (en) * | 2017-06-23 | 2018-12-27 | Microsoft Technology Licensing, Llc | Speaker recognition |
CN109256135A (zh) * | 2018-08-28 | 2019-01-22 | 桂林电子科技大学 | 一种端到端说话人确认方法、装置及存储介质 |
US20200043467A1 (en) * | 2018-07-31 | 2020-02-06 | Tencent Technology (Shenzhen) Company Limited | Monaural multi-talker speech recognition with attention mechanism and gated convolutional networks |
CN111145760A (zh) * | 2020-04-02 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 用于说话人识别的方法及神经网络模型 |
CN111445913A (zh) * | 2020-03-24 | 2020-07-24 | 南开大学 | 基于神经网络的声纹特征提取方法和装置 |
US20200258527A1 (en) * | 2019-02-08 | 2020-08-13 | Nec Corporation | Speaker recognition system and method of using the same |
CN111797844A (zh) * | 2020-07-20 | 2020-10-20 | 苏州思必驰信息科技有限公司 | 对抗域自适应模型训练方法及对抗域自适应模型 |
-
2020
- 2020-12-22 CN CN202011526184.7A patent/CN112634880A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180374486A1 (en) * | 2017-06-23 | 2018-12-27 | Microsoft Technology Licensing, Llc | Speaker recognition |
US20200043467A1 (en) * | 2018-07-31 | 2020-02-06 | Tencent Technology (Shenzhen) Company Limited | Monaural multi-talker speech recognition with attention mechanism and gated convolutional networks |
CN109256135A (zh) * | 2018-08-28 | 2019-01-22 | 桂林电子科技大学 | 一种端到端说话人确认方法、装置及存储介质 |
US20200258527A1 (en) * | 2019-02-08 | 2020-08-13 | Nec Corporation | Speaker recognition system and method of using the same |
WO2020162639A1 (en) * | 2019-02-08 | 2020-08-13 | Nec Corporation | Speaker recognition system and method of using the same |
CN111445913A (zh) * | 2020-03-24 | 2020-07-24 | 南开大学 | 基于神经网络的声纹特征提取方法和装置 |
CN111145760A (zh) * | 2020-04-02 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 用于说话人识别的方法及神经网络模型 |
CN111797844A (zh) * | 2020-07-20 | 2020-10-20 | 苏州思必驰信息科技有限公司 | 对抗域自适应模型训练方法及对抗域自适应模型 |
Non-Patent Citations (6)
Title |
---|
JOHAN ROHDIN ET AL: "Speaker Verification Using End-To-End Adversarial Language Adaptation", ARXIV, pages 1 - 5 * |
KOJI OKABE ET AL: "Attentive Statistics Pooling for Deep Speaker Embedding", ARXIV, pages 1 - 5 * |
史王雷;冯爽;: "基于注意力机制的联合监督端到端说话人识别模型", 信息与电脑(理论版), no. 04 * |
姚明海;黄展聪;: "基于主动学习的半监督领域自适应方法研究", 高技术通讯, no. 08, 15 August 2020 (2020-08-15) * |
王尔玉;郭武;李轶杰;戴礼荣;王仁华;: "采用模型和得分非监督自适应的说话人识别", 自动化学报, no. 03 * |
申小虎;万荣春;张新野;: "一种改进动态特征参数的话者语音识别系统", 计算机仿真, no. 04, 15 April 2015 (2015-04-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129900A (zh) * | 2021-04-29 | 2021-07-16 | 科大讯飞股份有限公司 | 一种声纹提取模型构建方法、声纹识别方法及其相关设备 |
CN113393848A (zh) * | 2021-06-11 | 2021-09-14 | 上海明略人工智能(集团)有限公司 | 用于训练说话人识别模型的方法、装置、电子设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200402500A1 (en) | Method and device for generating speech recognition model and storage medium | |
CN112466288B (zh) | 语音识别方法、装置、电子设备及存储介质 | |
CN111402891B (zh) | 语音识别方法、装置、设备和存储介质 | |
US20130080165A1 (en) | Model Based Online Normalization of Feature Distribution for Noise Robust Speech Recognition | |
US20230090590A1 (en) | Speech recognition and codec method and apparatus, electronic device and storage medium | |
CN114360557B (zh) | 语音音色转换方法、模型训练方法、装置、设备和介质 | |
CN112634880A (zh) | 话者识别的方法、装置、设备、存储介质以及程序产品 | |
KR20220116395A (ko) | 사전 훈련 모델의 결정 방법, 장치, 전자 기기 및 저장 매체 | |
WO2020220824A1 (zh) | 识别语音的方法和装置 | |
CN114020950A (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
CN114495977B (zh) | 语音翻译和模型训练方法、装置、电子设备以及存储介质 | |
US20110144991A1 (en) | Compressing Feature Space Transforms | |
CN113327584A (zh) | 语种识别方法、装置、设备及存储介质 | |
CN112786058B (zh) | 声纹模型训练方法、装置、设备以及存储介质 | |
CN113327596B (zh) | 语音识别模型的训练方法、语音识别方法和装置 | |
CN113889088B (zh) | 训练语音识别模型的方法及装置、电子设备和存储介质 | |
CN116230001A (zh) | 一种混合语音分离方法、装置、设备及存储介质 | |
CN113555005B (zh) | 模型训练、置信度确定方法及装置、电子设备、存储介质 | |
CN114399992B (zh) | 语音指令响应方法、装置及存储介质 | |
CN113035230B (zh) | 认证模型的训练方法、装置及电子设备 | |
CN113129869B (zh) | 语音识别模型的训练与语音识别的方法、装置 | |
CN114783428A (zh) | 语音翻译、模型训练方法、装置、设备及存储介质 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN113689866A (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 | |
CN112633381A (zh) | 音频识别的方法及音频识别模型的训练方法 |
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 |