CN112634910A - 声纹识别方法、装置、设备以及存储介质 - Google Patents
声纹识别方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112634910A CN112634910A CN202110008584.7A CN202110008584A CN112634910A CN 112634910 A CN112634910 A CN 112634910A CN 202110008584 A CN202110008584 A CN 202110008584A CN 112634910 A CN112634910 A CN 112634910A
- Authority
- CN
- China
- Prior art keywords
- voiceprint recognition
- audio
- audio signals
- synthesized
- audio signal
- 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 58
- 230000005236 sound signal Effects 0.000 claims abstract description 118
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000003786 synthesis reaction Methods 0.000 claims description 12
- 238000009432 framing Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims 2
- 239000000126 substance Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001755 vocal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular 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
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 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
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 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
- 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
- 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
- G10L17/04—Training, enrolment or model building
-
- 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
- G10L17/06—Decision making techniques; Pattern matching strategies
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)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了声纹识别方法、装置、设备以及存储介质,涉及语音识别领域。具体实现方案为:获取多个声音采集装置同时采集的目标对象的声音,得到多个音频信号;根据多个音频信号以及与多个声音采集装置对应的、预先训练的多个声纹识别模型,确定目标对象与各预设对象的匹配概率;根据各匹配概率,识别目标对象。本实现方式提高了声纹识别的准确率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及语音识别领域,尤其涉及声纹识别方法、装置、设备以及存储介质。
背景技术
人体发声器官在尺寸和形态方面的差异很大,任何两个人的声纹图谱都存在差异,因此通过声纹识别技术可以区分不同的个体,实现身份校验功能。声纹特征具有非接触式采集,使用简单、能远程验证等优点。
但在环境噪声较大和混合说话人的环境下,声纹特征很难提取,导致识别率降低。
发明内容
提供了一种声纹识别方法、装置、设备以及存储介质。
根据第一方面,提供了一种声纹识别方法,包括:获取多个声音采集装置同时采集的目标对象的声音,得到多个音频信号;根据多个音频信号以及与多个声音采集装置对应的、预先训练的多个声纹识别模型,确定目标对象与各预设对象的匹配概率;根据各匹配概率,识别目标对象。
根据第二方面,提供了一种声纹识别装置,包括:音频获取单元,被配置成获取多个声音采集装置同时采集的目标对象的声音,得到多个音频信号;音频处理单元,被配置成根据多个音频信号以及与多个声音采集装置对应的、预先训练的多个声纹识别模型,确定目标对象与各预设对象的匹配概率;声纹识别单元,被配置成根据各匹配概率,识别目标对象。
根据第三方面,提供了一种声纹识别电子设备,包括:至少一个计算单元;以及与上述至少一个计算单元通信连接的存储器;其中,存储器存储有可被至少一个计算单元执行的指令,上述指令被至少一个计算单元执行,以使至少一个计算单元能够执行如第一方面所描述的方法。
根据第四方面,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,上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据第五方面,一种计算机程序产品,包括计算机程序,上述计算机程序在被计算单元执行时实现如第一方面所描述的方法。
根据本申请的技术解决了噪声环境中声纹识别效率低下的问题,提高了声纹识别的准确率。
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,不构成对本申请的限定。其中:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的声纹识别方法的一个实施例的流程图;
图3是根据本申请的声纹识别方法的一个应用场景的示意图;
图4是根据本申请的声纹识别方法的另一个应用场景的示意图;
图5是根据本申请的声纹识别方法的又一个应用场景的示意图;
图6是根据本申请的声纹识别方法的又一个应用场景的示意图;
图7是根据本申请的声纹识别方法的另一个实施例的流程图;
图8是根据本申请的声纹识别装置的一个实施例的结构示意图;
图9是用来实现本申请实施例的声纹识别方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的声纹识别方法或声纹识别装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括多个声音采集装置101、终端设备102以及服务器103。多个声音采集装置101、终端设备102以及服务器103之间通过网络通信连接,网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
多个声音采集装置101可以设置在各种应用语音识别的场所中,这些声音采集装置101可以采集用户的音频信号,并将采集的音频信号通过网络发送给终端设备102以及服务器103。多个声音采集装置101可以设置在预设的位置处,以确保有更好的音频采集效果。
终端设备102以及服务器103可以对接收到的音频信号进行处理,得到声纹识别结果。终端设备102上可以安装有各种通讯客户端应用,例如语音识别类应用等。
终端设备102可以是硬件,也可以是软件。当终端设备102为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备102为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器,例如对终端设备102提供语音识别模型的后台服务器。后台服务器可以直接对多个声音采集装置101采集到的音频信号进行处理,也可以在终端设备102接收到音频信号后,将语音识别模型发送给终端设备102。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的声纹识别方法可以由终端设备102执行,也可以由服务器103执行。相应地,声纹识别装置可以设置于终端设备102中,也可以设置于服务器103中。
应该理解,图1中的声音采集装置、终端设备和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的声音采集装置、终端设备和服务器。
继续参考图2,示出了根据本申请的声纹识别方法的一个实施例的流程200。本实施例的声纹识别方法,包括以下步骤:
步骤201,获取多个声音采集装置同时采集的目标对象的声音,得到多个音频信号。
本实施例中,声纹识别方法的执行主体可以获取多个声音采集装置同时采集的目标对象的声音,得到多个音频信号。上述多个声音采集装置可以设置于任一需要声纹识别的场所中,用于采集目标对象的声音。目标对象可以是使用声纹识别功能的用户。用户在声纹识别场所中发声时,各声音采集装置可以同时采集目标对象的声音,得到多个音频信号。可以理解的是,多个音频信号中同时包含目标对象的声音特征。
步骤202,根据多个音频信号以及与多个声音采集装置对应的、预先训练的多个声纹识别模型,确定目标对象与各预设对象的匹配概率。
本实施例中,执行主体可以获取多个声纹识别模型,上述多个声纹识别模型分别与步骤201中的多个声音采集装置对应。并且,上述多个声纹识别模型可以是预先训练好的。声纹识别模型可以用于表征音频信号与各预设对象的匹配概率。对于每个音频信号,执行主体可以将该音频信号输入与采集得到该音频信号的声音采集装置对应的声纹识别模型中,得到该音频信号与各预设对象的匹配概率。匹配概率越大,说明该音频信号与某一预设对象的声纹相似度越高。
对于目标对象来说,如果多个音频信号与某一预设对象的匹配概率均大于预设阈值,或者多个音频信号中超过预设比例的音频信号与某一预设对象的匹配概率大于预设阈值,则执行主体可以认定目标对象与该预设对象匹配成功。
在一些具体的应用中,可以将目标对象的多个音频信号与多个预设对象的匹配概率以矩阵形式表示,即得到匹配概率矩阵。匹配概率矩阵中的每一列中的多个匹配概率表示多个音频信号与单个预设对象的匹配程度。如果该列中的各匹配概率均大于预设阈值,或者该列中大于预设阈值的匹配概率的数量占该列中匹配概率的比例超过预设比例,则可以认定目标对象与该列对应的预设对象匹配成功。或者,执行主体可以将各列中的匹配概率进行加权,将得到的加权值作为最终的匹配概率。如果最终的匹配概率大于预设阈值,则认为目标对象与该列对应的预设对象匹配成功。
步骤203,根据各匹配概率,识别目标对象。
执行主体可以根据各匹配概率,识别目标对象,即分辨目标对象是否属于某一预设对象。如果属于,则可以进一步执行与该预设对象的权限匹配的操作,例如,打开控制门锁、进行支付等等。
参见图3,其示出了根据本申请的声纹识别方法的一个应用场景的示意图。在图3的应用场景中,用户在声纹支付场所中说出支付口令。声纹支付场所中设置在不同位置的多个麦克风采集到用户的多个音频信号。结合与多个麦克风对应的多个声纹识别模型,确定用户与支付账户户主的声纹匹配概率。如果匹配成功,则通知支付账户进行付款。如果匹配失败,则不进行付款。进一步的,还可以进一步对匹配失败进行次数统计,如果匹配失败次数超过预设阈值,还可以锁定支付账户。
图4示出了根据本申请的声纹识别方法的另一个应用场景的示意图。在图4的应用场景中,用户在厨房处理食材,并说出控制指令“打开电视”。设置在厨房中以及客厅中的多个麦克风采集用户的语音,得到多个音频信号。结合与多个麦克风对应的多个声纹识别模型,确定用户与女主人的声纹匹配概率。如果匹配成功,则可以结合女主人的画像数据,给出推荐节目。
图5示出了根据本申请的声纹识别方法的又一个应用场景的示意图。在图5的应用场景中,用户在多人说话的场所中打开手机话筒说出解锁口令。手机中的多个麦克风采集用户的语音,得到多个音频信号。结合与多个麦克风对应的多个声纹识别模型,确定用户与机主的声纹匹配概率。如果匹配成功,则可以解锁手机。
图6示出了根据本申请的声纹识别方法的又一个应用场景的示意图。在图6的应用场景中,用户属于危险行业工作人员。危险行业有严格的规章制度,需要阅读完成才能开始作业。用户在工作时需穿戴防护设备,防护设备上设置有多个麦克风以及报警装置。用户在进行操作前,需要说出声音指令,多个麦克风可以采集用户的语音,得到多个音频信号。结合与多个麦克风对应的多个声纹识别模型,确定用户是否为某一工作人员。如果是,则可以提示用户可以开始阅读规章制度。同时开始监听用户的语音,并进行语音识别。在识别到用户阅读完成后,允许用户对设备进行进一步操作。如果识别出用户非工作人员或者用户未阅读完成,则触发报警装置进行报警。
本申请的上述实施例提供的声纹识别方法,通过设置多个声音采集装置来采集用户的多个音频信号,结合与多个声音采集装置对应的声纹识别模型,来确定用户与预设对象的匹配概率,从而提高了声纹识别的准确率。
继续参见图7,其示出了根据本申请的声纹识别方法的另一个实施例的流程700。如图7所示,本实施例的方法可以包括以下步骤:
步骤701,获取多个声音采集装置同时采集的目标对象的声音,得到多个音频信号。
步骤702,将多个音频信号按照时间轴分帧,得到多个音频帧;将同一时间的多个音频帧进行功率谱合成,得到由多个合成音频帧组成的合成音频信号。
本实施例中,执行主体可以将多个音频信号按照时间轴分帧,得到多个音频帧。即将各音频信号按照时间先后顺序,将每个音频信号划分为多个音频帧。每个音频帧包括预设时长的音频信号。然后,执行主体可以将同一时间的多个音频帧进行功率谱合成,得到由多个合成音频帧组成的合成音频信号。
在本实施例的一些可选的实现方式中,在对各音频信号进行分帧前,上述方法还可以进一步包括图7中的以下步骤:确定多个音频信号中的噪声信号;对除噪声信号之外的至少一个音频信号进行功率谱合成,得到合成音频信号。
本实现方式中,执行主体还可以首先确定出噪声信号,并将噪声信号去除。这里,噪声信号可以指无明显特征峰的信号。例如,信号的最大功率值与最小功率值之差小于预设阈值,则认为该信号属于噪声信号。
步骤703,根据多个音频信号、合成音频信号、多个声纹识别模型以及与合成音频信号对应的合成声纹识别模型,确定目标对象与各预设对象的匹配概率。
本实施例中,执行主体可以分别将上述多个音频信号分别输入到对应的多个声纹识别模型中,同时将合成音频信号输入对应的合成声纹识别模型中,得到目标对象与各预设对象的匹配概率。
可以理解的是,如果多个音频信号中存在噪声信号,则不需要将噪声信号输入到对应的声纹识别模型中。
在本实施例的一些可选的实现方式中,声纹识别模型可以通过图7中未示出的以下步骤训练得到:获取训练样本集合,训练样本包括音频信号的特征以及对应的对象;将训练样本集合中音频信号的特征作为输入,将对应的对象作为期望输出,训练得到声纹识别模型。
本实现方式中,执行主体可以首先获取训练样本集合。上述训练样本集合中可以包括多个训练样本,每个训练样本可以包括音频信号的特征以及对应的对象。这里的对象可以指某一具体的用户(例如用户A),或者某一特定的动物(例如猫咪C)等等。音频信号的特征可以用于表示音频信号的独特之处,其可以通过特征提取算法处理得到。在训练模型时,可以将训练样本集合中音频信号的特征作为输入,将对应的对象作为期望输出,训练得到声纹识别模型。
在本实施例的一些可选的实现方式中,上述步骤703具体可以通过图7中未示出的以下步骤实现:提取多个音频信号以及合成音频信号的特征;根据所提取的特征、多个声纹识别模型和合成声纹识别模型,确定目标对象与各预设对象的匹配概率。
本实现方式中,执行主体可以分别提取多个音频信号以及合成音频信号的特征。具体的,执行主体可以利用各种现有的特征提取算法或者音频处理算法来提取各音频信号的特征。然后,将所提取的特征分别输入到与各音频信号对应的声纹识别模型中,得到目标对象与各预设对象的匹配概率。
步骤704,根据各匹配概率,识别目标对象。
本申请的上述实施例提供的声纹识别方法,可以提取所采集的音频信号以及合成音频信号的特征,并根据特征进行声纹识别,提高了声纹识别的准确率。
进一步参考图8,作为对上述各图所示方法的实现,本申请提供了一种声纹识别装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的用于输出信息装置800包括:音频获取单元801、音频处理单元802和声纹识别单元803。
音频获取单元801,被配置成获取多个声音采集装置同时采集的目标对象的声音,得到多个音频信号。
音频处理单元802,被配置成根据多个音频信号以及与多个声音采集装置对应的、预先训练的多个声纹识别模型,确定目标对象与各预设对象的匹配概率。
声纹识别单元803,被配置成根据各匹配概率,识别目标对象。
在本实施例的一些可选的实现方式中,音频处理单元802可以进一步被配置成:对多个音频信号进行功率谱合成,得到合成音频信号;根据多个音频信号、合成音频信号、多个声纹识别模型以及与合成音频信号对应的合成声纹识别模型,确定目标对象与各预设对象的匹配概率。
在本实施例的一些可选的实现方式中,音频处理单元802可以进一步被配置成:确定多个音频信号中的噪声信号;对除噪声信号之外的至少一个音频信号进行功率谱合成,得到合成音频信号。
在本实施例的一些可选的实现方式中,音频处理单元802可以进一步被配置成:将多个音频信号按照时间轴分帧,得到多个音频帧;将同一时间的多个音频帧进行功率谱合成,得到由多个合成音频帧组成的合成音频信号。
在本实施例的一些可选的实现方式中,音频处理单元802可以进一步被配置成:提取多个音频信号以及合成音频信号的特征;根据所提取的特征、多个声纹识别模型和合成声纹识别模型,确定目标对象与各预设对象的匹配概率。
在本实施例的一些可选的实现方式中,装置800还可以进一步包括图8中未示出的模型训练单元,被配置成:获取训练样本集合,训练样本包括音频信号的特征以及对应的对象;将训练样本集合中音频信号的特征作为输入,将对应的对象作为期望输出,训练得到声纹识别模型。
应当理解,声纹识别装置800中记载的单元801至单元803分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对声纹识别方法描述的操作和特征同样适用于装置800及其中包含的单元,在此不再赘述。
根据本申请的实施例,本申请还提供了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9示出了根据本申请实施例的执行声纹识别方法的电子设备900的框图。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/或者要求的本申请的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。I/O接口(输入/输出接口)905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如声纹识别方法。例如,在一些实施例中,声纹识别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存储介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的声纹识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行声纹识别方法。
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。
用于实施本申请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。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品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,使得程序代码当由计算单元901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。
在本申请的上下文中,机器可读存储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。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储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)、光学存储设备、磁存储设备、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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。
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,本申请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,只要能够实现本申请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,并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种声纹识别方法,包括:
获取多个声音采集装置同时采集的目标对象的声音,得到多个音频信号;
根据所述多个音频信号以及与所述多个声音采集装置对应的、预先训练的多个声纹识别模型,确定所述目标对象与各预设对象的匹配概率;
根据各匹配概率,识别所述目标对象。
2.根据权利要求1所述的方法,其中,所述根据所述多个音频信号以及预先训练的与所述多个声音采集装置对应的多个声纹识别模型,确定所述目标对象与各预设对象的匹配概率,包括:
对所述多个音频信号进行功率谱合成,得到合成音频信号;
根据所述多个音频信号、所述合成音频信号、所述多个声纹识别模型以及与所述合成音频信号对应的合成声纹识别模型,确定所述目标对象与各预设对象的匹配概率。
3.根据权利要求2所述的方法,其中,所述对所述多个音频信号进行功率谱合成,得到合成音频信号,包括:
确定所述多个音频信号中的噪声信号;
对除所述噪声信号之外的至少一个音频信号进行功率谱合成,得到合成音频信号。
4.根据权利要求2所述的方法,其中,所述对所述多个音频信号进行功率谱合成,得到合成音频信号,包括:
将所述多个音频信号按照时间轴分帧,得到多个音频帧;
将同一时间的多个音频帧进行功率谱合成,得到由多个合成音频帧组成的合成音频信号。
5.根据权利要求2所述的方法,其中,所述根据所述多个音频信号、所述合成音频信号、所述多个声纹识别模型以及与所述合成音频信号对应的合成声纹识别模型,确定所述目标对象与各预设对象的匹配概率,包括:
提取所述多个音频信号以及所述合成音频信号的特征;
根据所提取的特征、所述多个声纹识别模型和所述合成声纹识别模型,确定所述目标对象与各预设对象的匹配概率。
6.根据权利要求1-5任一项所述的方法,其中,所述声纹识别模型通过以下训练步骤得到:
获取训练样本集合,所述训练样本包括音频信号的特征以及对应的对象;
将所述训练样本集合中音频信号的特征作为输入,将对应的对象作为期望输出,训练得到所述声纹识别模型。
7.一种声纹识别装置,包括:
音频获取单元,被配置成获取多个声音采集装置同时采集的目标对象的声音,得到多个音频信号;
音频处理单元,被配置成根据所述多个音频信号以及与所述多个声音采集装置对应的、预先训练的多个声纹识别模型,确定所述目标对象与各预设对象的匹配概率;
声纹识别单元,被配置成根据各匹配概率,识别所述目标对象。
8.根据权利要求7所述的装置,其中,所述音频处理单元进一步被配置成:
对所述多个音频信号进行功率谱合成,得到合成音频信号;
根据所述多个音频信号、所述合成音频信号、所述多个声纹识别模型以及与所述合成音频信号对应的合成声纹识别模型,确定所述目标对象与各预设对象的匹配概率。
9.根据权利要求8所述的装置,其中,所述音频处理单元进一步被配置成:
确定所述多个音频信号中的噪声信号;
对除所述噪声信号之外的至少一个音频信号进行功率谱合成,得到合成音频信号。
10.根据权利要求8所述的装置,其中,所述音频处理单元进一步被配置成:
将所述多个音频信号按照时间轴分帧,得到多个音频帧;
将同一时间的多个音频帧进行功率谱合成,得到由多个合成音频帧组成的合成音频信号。
11.根据权利要求8所述的装置,其中,所述音频处理单元进一步被配置成:
提取所述多个音频信号以及所述合成音频信号的特征;
根据所提取的特征、所述多个声纹识别模型和所述合成声纹识别模型,确定所述目标对象与各预设对象的匹配概率。
12.根据权利要求7-11任一项所述的装置,其中,所述装置还包括模型训练单元,被配置成:
获取训练样本集合,所述训练样本包括音频信号的特征以及对应的对象;
将所述训练样本集合中音频信号的特征作为输入,将对应的对象作为期望输出,训练得到所述声纹识别模型。
13.一种声纹识别电子设备,包括:
至少一个计算单元;以及
与所述至少一个计算单元通信连接的存储单元;其中,
所述存储单元存储有可被所述至少一个计算单元执行的指令,所述指令被所述至少一个计算单元执行,以使所述至少一个计算单元能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被计算单元执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008584.7A CN112634910A (zh) | 2021-01-05 | 2021-01-05 | 声纹识别方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008584.7A CN112634910A (zh) | 2021-01-05 | 2021-01-05 | 声纹识别方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112634910A true CN112634910A (zh) | 2021-04-09 |
Family
ID=75290694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110008584.7A Pending CN112634910A (zh) | 2021-01-05 | 2021-01-05 | 声纹识别方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634910A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003140686A (ja) * | 2001-10-31 | 2003-05-16 | Nagoya Industrial Science Research Inst | 音声入力の雑音抑制方法、雑音抑制制御プログラム、記録媒体及び音声信号入力装置 |
CN107862060A (zh) * | 2017-11-15 | 2018-03-30 | 吉林大学 | 一种追踪目标人的语义识别装置及识别方法 |
CN110600041A (zh) * | 2019-07-29 | 2019-12-20 | 华为技术有限公司 | 一种声纹识别的方法及设备 |
CN111639225A (zh) * | 2020-05-22 | 2020-09-08 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种音频信息的检测方法、装置及存储介质 |
CN111863006A (zh) * | 2019-04-30 | 2020-10-30 | 华为技术有限公司 | 一种音频信号处理方法、音频信号处理装置和耳机 |
-
2021
- 2021-01-05 CN CN202110008584.7A patent/CN112634910A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003140686A (ja) * | 2001-10-31 | 2003-05-16 | Nagoya Industrial Science Research Inst | 音声入力の雑音抑制方法、雑音抑制制御プログラム、記録媒体及び音声信号入力装置 |
CN107862060A (zh) * | 2017-11-15 | 2018-03-30 | 吉林大学 | 一种追踪目标人的语义识别装置及识别方法 |
CN111863006A (zh) * | 2019-04-30 | 2020-10-30 | 华为技术有限公司 | 一种音频信号处理方法、音频信号处理装置和耳机 |
CN110600041A (zh) * | 2019-07-29 | 2019-12-20 | 华为技术有限公司 | 一种声纹识别的方法及设备 |
CN111639225A (zh) * | 2020-05-22 | 2020-09-08 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种音频信息的检测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6099556B2 (ja) | 音声識別方法および装置 | |
CN110956966B (zh) | 声纹认证方法、装置、介质及电子设备 | |
WO2023016007A1 (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
JP2020071482A (ja) | 語音分離方法、語音分離モデル訓練方法及びコンピュータ可読媒体 | |
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 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN117056728A (zh) | 一种时间序列生成方法、装置、设备和存储介质 | |
CN112634910A (zh) | 声纹识别方法、装置、设备以及存储介质 | |
CN113035230B (zh) | 认证模型的训练方法、装置及电子设备 | |
CN110738985A (zh) | 基于语音信号的跨模态生物特征识别方法及系统 | |
CN115831125A (zh) | 语音识别方法、装置、设备、存储介质及产品 | |
CN112786058B (zh) | 声纹模型训练方法、装置、设备以及存储介质 | |
CN112652313B (zh) | 声纹识别的方法、装置、设备、存储介质以及程序产品 | |
CN114550731A (zh) | 一种音频识别方法、装置、电子设备及存储介质 | |
CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
CN114067805A (zh) | 声纹识别模型的训练与声纹识别方法及装置 | |
CN115312042A (zh) | 用于处理音频的方法、装置、设备以及存储介质 | |
CN114220430A (zh) | 多音区语音交互方法、装置、设备以及存储介质 | |
CN114078274A (zh) | 人脸图像检测方法、装置、电子设备以及存储介质 | |
CN113539300A (zh) | 基于噪声抑制的语音检测方法、装置、存储介质以及终端 | |
CN112669837A (zh) | 智能终端的唤醒方法、装置及电子设备 | |
CN111149154B (zh) | 一种声纹识别方法、装置、设备和储存介质 | |
CN114429663B (zh) | 人脸底库的更新方法、人脸识别方法、装置及系统 | |
CN114882890A (zh) | 深度学习模型的训练方法、声纹识别方法、装置和设备 |
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 |