CN112652313A - 声纹识别的方法、装置、设备、存储介质以及程序产品 - Google Patents
声纹识别的方法、装置、设备、存储介质以及程序产品 Download PDFInfo
- Publication number
- CN112652313A CN112652313A CN202011545572.XA CN202011545572A CN112652313A CN 112652313 A CN112652313 A CN 112652313A CN 202011545572 A CN202011545572 A CN 202011545572A CN 112652313 A CN112652313 A CN 112652313A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- speaker
- voice
- target
- conversation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000012634 fragment Substances 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004904 shortening Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000001755 vocal effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array 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
- 230000006872 improvement Effects 0.000 description 1
- 210000000867 larynx Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000002105 tongue Anatomy 0.000 description 1
- 210000000515 tooth Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Telephonic Communication Services (AREA)
Abstract
本公开提供了一种声纹识别的方法、装置、设备、存储介质以及程序产品,涉及大数据以及语音识别等领域。具体实现方案为:获取多个对话音频,各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段;根据各对话音频对应的第一发言人的身份标识,将多个对话音频划分为多组,每组对话音频对应于相同的第一发言人;对目标组对话音频中各语音片段的声纹进行聚类,得到多个聚类结果;选取包含语音片段数量最多的聚类结果确定为候选聚类结果;将候选聚类结果对应的声纹确定为目标组对话音频对应的第一发言人的声纹。根据本公开的声纹识别的方法具有人力成本低、声纹的提取及识别效率高等优点,有利于缩减声纹库的建立周期。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及大数据和语音识别领域。
背景技术
相关技术中,针对客服业务中所涉及的多个对话场景,在建立客服和客户的声纹库的过程中,通常采用人工方式对多个对话音频进行切割和标注,存在人力成本高、效率低以及建库周期长的缺陷。
发明内容
本公开提供了一种用于声纹识别的方法、装置、设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种声纹识别的方法,包括
获取多个对话音频,各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段;
根据各对话音频对应的第一发言人的身份标识,将多个对话音频划分为多组,每组对话音频对应于相同的第一发言人;
对目标组对话音频中各语音片段的声纹进行聚类,得到多个聚类结果;
选取包含语音片段数量最多的聚类结果确定为候选聚类结果;
将候选聚类结果对应的声纹确定为目标组对话音频对应的第一发言人的声纹。
根据本公开的另一方面,提供了一种声纹识别的装置,包括:
对话音频获取模块,用于获取多个对话音频,各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段;
分组模块,用于根据各对话音频对应的第一发言人的身份标识,将多个对话音频划分为多组,每组对话音频对应于相同的第一发言人;
聚类模块,用于对目标组对话音频中各语音片段的声纹进行聚类,得到多个聚类结果;
候选聚类结果确定模块,用于选取包含语音片段数量最多的聚类结果确定为候选聚类结果;
第一发言人声纹确定模块,用于将候选聚类结果对应的声纹确定为目标组对话音频对应的第一发言人的声纹。
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。
根据本公开的技术具有人力成本低、声纹提取及识别效率高等优点,有利于缩减声纹库的建立周期。
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是根据本公开实施例的声纹识别的方法的流程图;
图2是根据本公开实施例的对目标组对话音频中各语音片段的声纹进行聚类的具体流程图;
图3是根据本公开实施例的确定各第二发言人的具体流程图;
图4是根据本公开实施例的进行相似性比较的具体流程图;
图5是根据本公开实施例的根据比较结果确定第二发言人的声纹的具体流程图;
图6是根据本公开实施例的根据比较结果确定第二发言人的声纹的具体流程图;
图7是根据本公开实施例的声纹识别的装置的示意图;
图8是用来实现本公开实施例的声纹识别的方法的电子设备的框图。
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声纹识别的方法,该方法可以包括以下步骤:
步骤S101:获取多个对话音频,各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段;
步骤S102:根据各对话音频对应的第一发言人的身份标识,将多个对话音频划分为多组,每组对话音频对应于相同的第一发言人;
步骤S103:对目标组对话音频中各语音片段的声纹进行聚类,得到多个聚类结果;
步骤S104:选取包含语音片段数量最多的聚类结果确定为候选聚类结果;
步骤S105:将候选聚类结果对应的声纹确定为目标组对话音频对应的第一发言人的声纹。
根据本公开实施例的声纹识别的方法,可以针对通过电话信道或其他途径生成的对话音频数据,将对话音频数据中所涉及的双方对话人的声纹特征进行提取并识别,并根据识别出的各对话人的声纹特征,建立包含每个对话人的声纹特征的声纹库,以方便后续的声纹检索。
示例性地,本公开实施例的声纹识别方法可以涉及人工智能技术领域,尤其可以应用在大数据以及语音识别技术等领域。具体地,可以在公安技侦领域、银行领域、保险领域等领域中广泛应用,涉及客服(或接警员)与用户进行语音对话的业务场景。
例如,在步骤S101中,对话音频可以是任一客服与任一客户进行对话的音频数据。其中,第一发言人可以是任一客服,第一发言人的语音片段可以是客服的语音片段;第二发言人可以是任一客户,第二发言人的语音片段可以是客户的语音片段。并且,第一发言人的语音片段和第二发言人的语音片段存在时间间隔,即对话音频中不存在第一发言人和第二发言人同时发言的场景。
示例性地,第一发言人的身份标识可以通过对话音频的文件命名获取。第一发言人的身份标识可以为第一发言人的姓名、工号、电话或其他与第一发言人的身份存在唯一对应关系的标识。根据第一发言人的身份标识,可以确定出对话音频的对话双方中第一发言人的具体身份。
在步骤S102中,根据各对话音频的第一发言人的身份标识,将多个对话音频划分为多组,每组中的各个对话音频中的第一发言人的身份均相同。
例如,第一发言人可以包括三个客服,相应的,第一发言人的身份标识可以为客服A、客服B和客服C。根据各对话音频的第一发言人的身份标识,可以将多个对话音频划分为三组,即A组、B组和C组,其中,A组中各对话音频的第一发言人均为客服A,B组中各对话音频的第一发言人均为客服B,C组中各对话音频的第一发言人均为客服C。
可以理解的是,声纹(Voiceprint)是通过电声学仪器显示的携带言语信息的声波频谱。人类语言的产生是人体语言中枢与发音器官之间一个复杂的生理物理过程,不同人在讲话时所使用的发声器官(例如舌、牙齿、喉头、肺、鼻腔等)在尺寸和形态方面均存在差异,所以任何两个人的声纹图谱都有差异。由此,在本公开实施例中,所涉及的各对话人分别具有唯一的声纹。
在步骤S103中,经过对目标组对话音频中各语音片段的声纹进行聚类,得到多个聚类结果。其中,目标组对话音频可以为前述中的任一组对话音频。每个聚类结果中的多个语音片段的声纹对应于同一个发言人。
例如,在A组对话音频中,所涉及的对话人包括客服A、客户a、客户b和客户c,则A组的聚类结果包括与各对话人分别对应的四个。
需要说明的是,每组对话音频所涉及的对话人包括一个第一发言人和至少两个第二发言人。在任一组对话音频中,所涉及的第一发言人的语音片段的数量等于该组的所有对话音频的数量,所涉及的至少两个第二发言人的语音片段的数量之和等于该组的所有对话音频的数量。换言之,在每组对话音频中,第一发言人的语音片段的数量大于各第二发言人的语音片段的数量。
由此,在步骤S104中,选取目标组所选取的包含语音片段数量最多的聚类结果作为候选聚类结果,其中,候选聚类结果所包含的多个语音片段即为该目标组所对应的第一发言人的多个语音片段。因而在步骤S105中,目标组的候选聚类结果对应的声纹可以确定为目标组的第一发言人的声纹。
基于此,可以得到各目标组对话音频所对应的第一发言人的声纹,并结合目标组所对应的第一发言人的身份标识,将该目标组的第一发言人的声纹注册至声纹库,以便于后续对第一发言人的声纹进行检索。其中,注册至声纹库的第一发言人的声纹与第一发言人的身份标识相对应。
本公开实施例的声纹识别的方法通过采用上述方案,可以自动将所有对话音频中所涉及的各个第一发言人的声纹进行提取和识别,从而将各个第一发言人的声纹注册至第一声纹库。相比于相关技术中通过人工标注的方式提取和识别对话人的声纹,本公开实施例的声纹识别的方法具有人力成本低、声纹提取及识别效率高等优点,有利于缩减声纹库的建立周期。
如图2所示,在一种实施方式中,步骤S103可以包括:
步骤S201:对目标组对话音频中的各对话音频进行语音分割,得到第一语音片段和第二语音片段;
步骤S202:分别对各第一语音片段和各第二语音片段进行声纹特征提取,得到多个声纹;
步骤S203:对各声纹进行聚类,得到多个聚类结果。
示例性的,在步骤S201中,目标组对话音频中的各对话音频可以通过语音端点检测(Voice Activity Detection,VAD)进行分割。本领域技术人员可以理解的是,语音端点检测通过对对话音频中的语音区域和非语音区域进行区分,可以从带有噪声的语音中准确的定位出语音的开始点和结束点,并且可以去掉静音部分以及噪声部分,从而得到具有单一对话人声音的第一语音片段和第二语音片段。
在步骤S202中,针对各第一语音片段和各第二语音片段,可以通过预先训练好的声纹特征提取模型提取相应的声纹。例如,可以通过预先训练好的时延神经网络(TimeDelay Neural Network,TDNN)对各语音片段进行声纹提取。
在步骤S203中,针对得到的多个声纹,可以采用本领域技术人员所知晓的各种聚类算法进行聚类,本公开实施例对此不作具体限定。例如,可以采用K均值聚类算法(K-means Clustering Algorithm)、均值漂移聚类算法(Mean-Shift ClusteringAlgorithm)、EM算法(Expectation-Maximization Algorithm,最大期望值算法)以及凝聚层次聚类算法(Hierarchical Agglomerative Clustering,HAC)中的任一种聚类算法。
由此,通过上述方案,可以对各对话音频中包含的音频片段所对应的对话人的声纹特征进行自动分割、提取和聚类,从而得到多个聚类结果。
如图3所示,在一种实施方式中,在步骤S105之后,该方法还包括:
步骤S301:将目标组对话音频中各语音片段的声纹,与目标组对话音频对应的第一发言人的声纹进行相似性比较;
步骤S302:根据比较结果确定与目标组对话音频所对应的各第二发言人的声纹。
需要说明的是,在步骤S105中,目标组对话音频的第一发言人的声纹已确定。在步骤S301中,在得到各对话音频的语音片段的声纹之后,针对目标组对话音频,可以从各对话音频的两个语音片段的声纹中任选一个作为候选声纹,并将各候选声纹与该目标组对应的第一发言人的声纹进行相似性比较,得到比较结果。其中,比较结果包括相似和不相似。
示例性地,可以通过预先训练好的声纹相似性比较模型对候选声纹和第一发言人的声纹进行相似性比较。其中,声纹相似性比较模型可以为概率线性判别分析(Probabilistic Linear Discriminant Analysis,PLDA)模型。
需要说明的是,可以通过对话音频的文件命名获取第二发言人的身份标识。第二发言人的身份标识可以为第二发言人的姓名、电话或其他与第发言人的身份存在唯一对应关系的标识。根据第二发言人的身份标识,可以确定出对话音频的对话双方中第二发言人的具体身份。
示例性地,在步骤S302中,可以根据候选声纹与其所在的目标组相对应的第一发言人的声纹比较结果,判断候选声纹是否为其所在的目标组相对应的第一发言人的声纹。在比较结果为不相似的情况下,将该候选声纹确定为相应的对话音频中的第二发言人的声纹,并根据对话音频中第二发言人的具体身份将第二发言人的声纹注册至声纹库。在比较结果为相似的情况下,将该候选声纹的语音片段所对应的另一个语音片段的声纹,确定为相应的对话音频中的第二发言人的声纹,并根据对话音频中第二发言人的具体身份将第二发言人的声纹注册至声纹库。其中,注册至声纹库的第二发言人的声纹与第二发言人的身份标识相对应。
通过上述方案,在确定各组对话音频中第一发言人的声纹后,通过将各对话音频的语音片段的声纹与第一发言人的声纹进行比较,可以将所有对话音频所涉及的各第二发言人的声纹进行自动识别并确认,并且可以将各个第二发言人的声纹注册至声纹库。相比于相关技术中通过人工标注的方式确定第二发言人的声纹,本公开实施例的语音识别方法针对第二发言人声纹的提取和识别具有效率高和人力成本低的优点。
如图4所示,在一种实施方式中,步骤S301包括:
步骤S401:从目标组对话音频中获取目标对话音频;
步骤S402:对目标对话音频进行语音分割,得到第一目标语音片段和第二目标语音片段;
步骤S403:将第一目标语音片段的声纹与目标组对话音频对应的第一发言人的声纹进行相似性比较。
在一个具体示例中,在步骤S401中,目标对话音频可以为目标组对话中的任一个对话音频。目标对话音频可以通过语音端点检测分割为第一目标语音片段和第二目标语音片段。在步骤S402中,可以通过预先训练好的时延神经网络,对第一目标语音片段和第二目标语音片段分别进行声纹提取。在步骤S403中,可以通过概率线性判别分析模型对第一语音片段的声纹与目标组对话音频对应的第一发言人的声纹进行相似性比较。
如图5所示,在一种实施方式中,步骤S302包括:
步骤S501:在比较结果为不相似的情况下,将第一目标语音片段的声纹确定为目标对话音频对应的第二发言人的声纹。
可以理解的是,第一目标语音片段的声纹与目标组对话音频对应的第一发言人的声纹不相似,即说明第二语音片段的声纹即为目标组对话音频对应的第一发言人的声纹。
如图6所示,进一步地,步骤S302还包括:
步骤S601:在比较结果为相似的情况下,将第二目标语音片段的声纹确定为目标对话音频对应的第二发言人的声纹。
可以理解的是,第一目标语音片段的声纹与目标组对话音频对应的第一发言人的声纹相似,即说明第一语音片段的声纹即为目标组对话音频对应的第一发言人的声纹。
其中,第二发言人的具体身份可以通过目标对话音频的第二发言人的身份标识获取。步骤S501和步骤S601所确定的第二发言人的声纹与第二发言人的身份标识相对应。
通过上述方案,通过将第一目标语音片段的声纹与目标组对话音频对应的第一发言人的声纹进行比较,即可从第一目标语音片段的声纹和第二目标语音片段的声纹中确定出目标对话音频对应的第二发言人的声纹,从而实现对各个对话音频中第二发言人的声纹进行识别。
如图7所示,本公开实施例还提供一种声纹识别的装置700,该装置700可以包括以下组件:
对话音频获取模块701,用于获取多个对话音频,各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段;
分组模块702,用于根据各对话音频对应的第一发言人的身份标识,将多个对话音频划分为多组,每组对话音频对应于相同的第一发言人;
聚类模块703,用于对目标组对话音频中各语音片段的声纹进行聚类,得到多个聚类结果;
候选聚类结果确定模块704,用于选取包含语音片段数量最多的聚类结果确定为候选聚类结果;
第一发言人声纹确定模块705,用于将候选聚类结果对应的声纹确定为目标组对话音频对应的第一发言人的声纹。
在一种实施方式中,聚类模块703包括:
语音分割单元,用于对目标组对话音频中的各对话音频进行语音分割,得到第一语音片段和第二语音片段;
声纹特征提取单元,用于分别对各第一语音片段和各第二语音片段进行声纹特征提取,得到多个声纹;
聚类单元,用于对各声纹进行聚类,得到多个聚类结果。
在一种实施方式中,装置700还包括:
相似性比较模块,用于将目标组对话音频中各语音片段的声纹,与目标组对话音频对应的第一发言人的声纹进行相似性比较;
第二发言人声纹确定模块,用于根据比较结果确定与目标组对话音频所对应的各第二发言人的声纹。
在一种实施方式中,相似性比较模块包括:
目标对话音频获取单元,用于从目标组对话音频中获取目标对话音频;
语音分割单元,对目标对话音频进行语音分割,得到第一目标语音片段和第二目标语音片段;
相似性比较单元,用于将第一目标语音片段的声纹与目标组对话音频对应的第一发言人的声纹进行相似性比较。
在一种实施方式中,第二发言人声纹确定模块用于在比较结果为不相似的情况下,将第一目标语音片段的声纹确定为目标对话音频对应的第二发言人的声纹。
在一种实施方式中,第二发言人声纹确定模块用于在比较结果为相似的情况下,将第二目标语音片段的声纹确定为目标对话音频对应的第二发言人的声纹。
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8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8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,例如语音识别的方法。例如,在一些实施例中,语音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语音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)而被配置为执行语音识别的方法。
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 (15)
1.一种声纹识别的方法,包括:
获取多个对话音频,各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段;
根据各对话音频对应的第一发言人的身份标识,将多个对话音频划分为多组,每组对话音频对应于相同的第一发言人;
对目标组对话音频中各语音片段的声纹进行聚类,得到多个聚类结果;
选取包含语音片段数量最多的聚类结果确定为候选聚类结果;
将所述候选聚类结果对应的声纹确定为所述目标组对话音频对应的第一发言人的声纹。
2.根据权利要求1所述的方法,其中,对目标组对话音频中各语音片段的声纹进行聚类,包括:
对所述目标组对话音频中的各对话音频进行语音分割,得到第一语音片段和第二语音片段;
分别对各所述第一语音片段和各所述第二语音片段进行声纹特征提取,得到多个声纹;
对各所述声纹进行聚类,得到所述多个聚类结果。
3.根据权利要求1所述的方法,将所述候选聚类结果对应的声纹确定为所述目标组对话音频对应的第一发言人的声纹之后,还包括:
将所述目标组对话音频中各语音片段的声纹,与所述目标组对话音频对应的第一发言人的声纹进行相似性比较;
根据比较结果确定与所述目标组对话音频所对应的各第二发言人的声纹。
4.根据权利要求3所述的方法,其中,将所述目标组对话音频中各语音片段的声纹,与所述目标组对话音频对应的第一发言人的声纹进行相似性比较,包括:
从目标组对话音频中获取目标对话音频;
对所述目标对话音频进行语音分割,得到第一目标语音片段和第二目标语音片段;
将所述第一目标语音片段的声纹与所述目标组对话音频对应的第一发言人的声纹进行相似性比较。
5.根据权利要求4所述的方法,其中,根据比较结果确定与所述目标组所对应的各第二发言人的声纹,包括:
在所述比较结果为不相似的情况下,将所述第一目标语音片段的声纹确定为所述目标对话音频对应的第二发言人的声纹。
6.根据权利要求4所述的方法,其中,根据比较结果确定与所述目标组所对应的各第二发言人的声纹,包括:
在所述比较结果为相似的情况下,将所述第二目标语音片段的声纹确定为所述目标对话音频对应的第二发言人的声纹。
7.一种声纹识别的装置,包括:
对话音频获取模块,用于获取多个对话音频,各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段;
分组模块,用于根据各对话音频对应的第一发言人的身份标识,将多个对话音频划分为多组,每组对话音频对应于相同的第一发言人;
聚类模块,用于对目标组对话音频中各语音片段的声纹进行聚类,得到多个聚类结果;
候选聚类结果确定模块,用于选取包含语音片段数量最多的聚类结果确定为候选聚类结果;
第一发言人声纹确定模块,用于将所述候选聚类结果对应的声纹确定为所述目标组对话音频对应的第一发言人的声纹。
8.根据权利要求7所述的装置,其中,所述聚类模块包括:
语音分割单元,用于对所述目标组对话音频中的各对话音频进行语音分割,得到第一语音片段和第二语音片段;
声纹特征提取单元,用于分别对各所述第一语音片段和各所述第二语音片段进行声纹特征提取,得到多个声纹;
聚类单元,用于对各所述声纹进行聚类,得到所述多个聚类结果。
9.根据权利要求7所述的装置,还包括:
相似性比较模块,用于将所述目标组对话音频中各语音片段的声纹,与所述目标组对话音频对应的第一发言人的声纹进行相似性比较;
第二发言人声纹确定模块,用于根据比较结果确定与所述目标组对话音频所对应的各第二发言人的声纹。
10.根据权利要求9所述的装置,其中,所述相似性比较模块包括:
目标对话音频获取单元,用于从目标组对话音频中获取目标对话音频;
语音分割单元,对所述目标对话音频进行语音分割,得到第一目标语音片段和第二目标语音片段;
相似性比较单元,用于将所述第一目标语音片段的声纹与所述目标组对话音频对应的第一发言人的声纹进行相似性比较。
11.根据权利要求10所述的装置,其中,所述第二发言人声纹确定模块用于在所述比较结果为不相似的情况下,将所述第一目标语音片段的声纹确定为所述目标对话音频对应的第二发言人的声纹。
12.根据权利要求10所述的装置,其中,所述第二发言人声纹确定模块用于在所述比较结果为相似的情况下,将所述第二目标语音片段的声纹确定为所述目标对话音频对应的第二发言人的声纹。
13.一种电子设备,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1-6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,其特征在于,所述计算机指令用于使计算机执行权利要求1-6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,该计算机程序在被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011545572.XA CN112652313B (zh) | 2020-12-24 | 2020-12-24 | 声纹识别的方法、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 |
---|---|---|---|
CN202011545572.XA CN112652313B (zh) | 2020-12-24 | 2020-12-24 | 声纹识别的方法、装置、设备、存储介质以及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112652313A true CN112652313A (zh) | 2021-04-13 |
CN112652313B CN112652313B (zh) | 2023-04-07 |
Family
ID=75359778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011545572.XA Active CN112652313B (zh) | 2020-12-24 | 2020-12-24 | 声纹识别的方法、装置、设备、存储介质以及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112652313B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327622A (zh) * | 2021-06-02 | 2021-08-31 | 云知声(上海)智能科技有限公司 | 一种语音分离方法、装置、电子设备和存储介质 |
CN114464194A (zh) * | 2022-03-12 | 2022-05-10 | 云知声智能科技股份有限公司 | 声纹聚类方法、装置、存储介质及电子装置 |
CN114464192A (zh) * | 2022-03-07 | 2022-05-10 | 云知声智能科技股份有限公司 | 一种说话人语音分割方法、装置、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160217793A1 (en) * | 2015-01-26 | 2016-07-28 | Verint Systems Ltd. | Acoustic signature building for a speaker from multiple sessions |
US20180254051A1 (en) * | 2017-03-02 | 2018-09-06 | International Business Machines Corporation | Role modeling in call centers and work centers |
CN109448731A (zh) * | 2018-11-20 | 2019-03-08 | 北京网众共创科技有限公司 | 声纹信息的比对方法及装置、储存介质、电子装置 |
CN109741754A (zh) * | 2018-12-10 | 2019-05-10 | 上海思创华信信息技术有限公司 | 一种会议语音识别方法及系统、存储介质及终端 |
US20190156832A1 (en) * | 2017-11-21 | 2019-05-23 | International Business Machines Corporation | Diarization Driven by the ASR Based Segmentation |
CN109960743A (zh) * | 2019-01-16 | 2019-07-02 | 平安科技(深圳)有限公司 | 会议内容区分方法、装置、计算机设备及存储介质 |
CN111063341A (zh) * | 2019-12-31 | 2020-04-24 | 苏州思必驰信息科技有限公司 | 复杂环境中多人语音的分割聚类方法及系统 |
CN111063359A (zh) * | 2019-12-24 | 2020-04-24 | 太平金融科技服务(上海)有限公司 | 电话回访有效性判别方法、装置、计算机设备和介质 |
CN111462761A (zh) * | 2020-03-03 | 2020-07-28 | 深圳壹账通智能科技有限公司 | 声纹数据生成方法、装置、计算机装置及存储介质 |
CN111524527A (zh) * | 2020-04-30 | 2020-08-11 | 合肥讯飞数码科技有限公司 | 话者分离方法、装置、电子设备和存储介质 |
CN111599346A (zh) * | 2020-05-19 | 2020-08-28 | 科大讯飞股份有限公司 | 一种说话人聚类方法、装置、设备及存储介质 |
-
2020
- 2020-12-24 CN CN202011545572.XA patent/CN112652313B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160217793A1 (en) * | 2015-01-26 | 2016-07-28 | Verint Systems Ltd. | Acoustic signature building for a speaker from multiple sessions |
US20180254051A1 (en) * | 2017-03-02 | 2018-09-06 | International Business Machines Corporation | Role modeling in call centers and work centers |
US20190156832A1 (en) * | 2017-11-21 | 2019-05-23 | International Business Machines Corporation | Diarization Driven by the ASR Based Segmentation |
CN109448731A (zh) * | 2018-11-20 | 2019-03-08 | 北京网众共创科技有限公司 | 声纹信息的比对方法及装置、储存介质、电子装置 |
CN109741754A (zh) * | 2018-12-10 | 2019-05-10 | 上海思创华信信息技术有限公司 | 一种会议语音识别方法及系统、存储介质及终端 |
CN109960743A (zh) * | 2019-01-16 | 2019-07-02 | 平安科技(深圳)有限公司 | 会议内容区分方法、装置、计算机设备及存储介质 |
CN111063359A (zh) * | 2019-12-24 | 2020-04-24 | 太平金融科技服务(上海)有限公司 | 电话回访有效性判别方法、装置、计算机设备和介质 |
CN111063341A (zh) * | 2019-12-31 | 2020-04-24 | 苏州思必驰信息科技有限公司 | 复杂环境中多人语音的分割聚类方法及系统 |
CN111462761A (zh) * | 2020-03-03 | 2020-07-28 | 深圳壹账通智能科技有限公司 | 声纹数据生成方法、装置、计算机装置及存储介质 |
CN111524527A (zh) * | 2020-04-30 | 2020-08-11 | 合肥讯飞数码科技有限公司 | 话者分离方法、装置、电子设备和存储介质 |
CN111599346A (zh) * | 2020-05-19 | 2020-08-28 | 科大讯飞股份有限公司 | 一种说话人聚类方法、装置、设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327622A (zh) * | 2021-06-02 | 2021-08-31 | 云知声(上海)智能科技有限公司 | 一种语音分离方法、装置、电子设备和存储介质 |
CN114464192A (zh) * | 2022-03-07 | 2022-05-10 | 云知声智能科技股份有限公司 | 一种说话人语音分割方法、装置、电子设备和存储介质 |
CN114464194A (zh) * | 2022-03-12 | 2022-05-10 | 云知声智能科技股份有限公司 | 声纹聚类方法、装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112652313B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112652313B (zh) | 声纹识别的方法、装置、设备、存储介质以及程序产品 | |
CN111063341B (zh) | 复杂环境中多人语音的分割聚类方法及系统 | |
CN109360572B (zh) | 通话分离方法、装置、计算机设备及存储介质 | |
CN109346088A (zh) | 身份识别方法、装置、介质及电子设备 | |
US9251808B2 (en) | Apparatus and method for clustering speakers, and a non-transitory computer readable medium thereof | |
CN111462758A (zh) | 智能会议角色分类的方法、装置、设备及存储介质 | |
KR20170007107A (ko) | 음성인식 시스템 및 방법 | |
CN112201275B (zh) | 声纹分割方法、装置、设备及可读存储介质 | |
CN109688271A (zh) | 联系人信息输入的方法、装置及终端设备 | |
CN111768789A (zh) | 电子设备及其语音发出者身份确定方法、装置和介质 | |
CN113744742A (zh) | 对话场景下的角色识别方法、装置和系统 | |
CN113782013A (zh) | 语音识别及模型训练的方法、设备、存储介质及程序产品 | |
CN112735432B (zh) | 音频识别的方法、装置、电子设备及存储介质 | |
CN115831125A (zh) | 语音识别方法、装置、设备、存储介质及产品 | |
CN114399992B (zh) | 语音指令响应方法、装置及存储介质 | |
US20230169988A1 (en) | Method and apparatus for performing speaker diarization based on language identification | |
CN114121022A (zh) | 语音唤醒方法、装置、电子设备以及存储介质 | |
CN114067793A (zh) | 音频处理方法和装置、电子设备及可读存储介质 | |
CN114049875A (zh) | 一种tts播报方法、装置、设备以及存储介质 | |
CN114023336A (zh) | 模型训练方法、装置、设备以及存储介质 | |
CN113066506A (zh) | 音频数据分离方法、装置、电子设备以及存储介质 | |
CN113051426A (zh) | 音频信息分类方法、装置、电子设备及存储介质 | |
CN112509567A (zh) | 语音数据处理的方法、装置、设备、存储介质及程序产品 | |
CN114678040B (zh) | 语音一致性检测方法、装置、设备及存储介质 | |
CN112634909B (zh) | 声音信号处理的方法、装置、设备、计算机可读存储介质 |
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 |