CN114067801A - 声纹使用方法及电子设备和存储介质 - Google Patents

Abstract

本发明公开一种声纹使用方法、电子设备和存储介质，其中方法包括：响应于采集的用户音频，截取所述用户音频中的人声音频；对所述人声音频进行语音识别并验证识别结果是否通过；若通过，则对所述人声音频进行声纹识别。本发明实施例的方法通过使用话音激活检测截取包含人声的音频，保留一段或者多段人声的音频，拼接后再送语音识别，识别验证通过后再送声纹识别，可以有效解决环境噪音过大导致使用声纹成功率不高的问题。

Description

声纹使用方法及电子设备和存储介质

技术领域

本发明涉及声纹识别领域，尤其涉及一种声纹使用方法及电子设备和存储介质。

背景技术

目前声纹识别更大的应用于安防领域，比如刑侦破案、门禁、银行交易等等。此外，在智能家居等领域，为了安全，也为了更好的智能体验，比如在人声鼎沸的情境中准确识别哪句话是主人下达的命令等，声纹识别技术也就渐渐受到了重视，声纹识别的主要任务包括：语音信号处理、声纹特征提取、声纹建模、声纹比对、判别决策等。

相关技术中，根据不同的应用场景，声纹识别可分为说话人辨识(SpeakerIdentification，SI)和说话人确认(SpeakerVerification，SV)。SI指的是我们有了一段待测的语音，需要将这段语音与我们已知的一个集合内的一干说话人进行比对，选取最匹配的那个说话人，是一个1对多的判别问题；SV指的是我们有了一段未知的语音，紧接着判断这段语音是否来源于这个目标用户即可，是一个1对1的二分类问题。

汽车里也有声纹识别，由于汽车是相对封闭的坏境，故只需录一段音频进行声纹验证即可，无需复杂的交互方案。

现有技术中声纹识别的一般交互方案为：1.录制一段音频，或者复用唤醒的音频；2.将这段音频送给声纹即可进行声纹校验，一般分为本地声纹和云端声纹，依据是否有网来选择，云端声纹由于计算模型较大，识别效果更好。

相关的声纹使用方案中由于电动自行车的使用场景往往环境噪音比较大，录制的音频包含大量的环境噪音，会降低声纹的验证效果，无法降低声纹攻击的成功率(非车主验证声纹通过的成功率)。

发明人发现：使用声纹时的音频越干净声纹识别方案的效果越好，上述缺点是由于使用声纹识别方案前录制的音频不够干净，包含太多环境噪声导致的。

发明内容

本发明实施例旨在至少解决上述技术问题之一。

第一方面，本发明实施例提供一种声纹使用方法，包括：响应于采集的用户音频，截取所述用户音频中的人声音频；对所述人声音频进行语音识别并验证识别结果是否通过；若通过，则对所述人声音频进行声纹识别。

第二方面，本发明实施例提供一种电子设备，其包括：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本发明上述任一项声纹使用方法。

第三方面，本发明实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本发明上述任一项声纹使用方法。

第四方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项声纹使用方法。

本发明实施例通过截取用户输入的音频中的人声的音频，并对用户的人声音频进行语音识别的方式，判断识别结果能否通过，可以更高效地提供用户的人声音频进行声纹识别。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种声纹使用方法的流程图；

图2为本发明一实施例提供的另一种声纹使用方法的流程图；

图3为本发明一实施例提供的又一种声纹使用方法的流程图；

图4为本发明一实施例提供的又一种声纹使用方法的流程图；

图5为本发明一实施例提供的再一种声纹使用方法的流程图；

图6为本发明一实施例提供的声纹使用方法的流程图；

图7是本发明一实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

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。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

在本发明中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例提供一种声纹使用方法，该方法可以适用于具备载有电子设备的汽车和摩托车以及电动自行车等，本发明在此不作限定。

请参考图1，其示出了本发明一实施例提供的一种声纹使用方法。

如图1所示，在步骤101中，响应于采集的用户音频，截取所述用户音频中的人声音频；

在步骤102中，对所述人声音频进行语音识别并验证识别结果是否通过；

在步骤103中，若通过，则对所述人声音频进行声纹识别。

在本实施例中，对于步骤101，响应于采集的用户音频，截取所述用户音频中的人声音频，例如，使用麦克风或者其他设备采集用户输入的一段音频，其中所述音频中包含用户的人声音频和其他的各种噪声音频，噪声音频为非人声音频，通过采用截取的方式把用户输入的一段音频中含有用户说话的人声音频提取出来，其中截取的方法可以是使用话音激活检测，也可以是使用其他的方法，本申请在此不作限定。

之后，对于步骤102，对所述人声音频进行语音识别并验证识别结果是否通过，例如，对提取用户输入的一段音频中的用户说话的人声音频进行语音识别，并对语音识别结果做出判断，根据预设的阈值来判断语音识别结果是否通过，其中语音识别结果高于阈值则为通过，低于阈值则为不通过。

最后，对于步骤103，若通过，则对所述人声音频进行声纹识别，例如，当语音识别结果高于预设的阈值就为通过状态，识别结果为通过状态时才能对用户的人声音频再进行声纹识别。

本申请实施例的方法通过截取用户输入的音频中的人声的音频，并对用户的人声音频进行语音识别的方式，判断识别结果能否通过，可以更高效的提供用户的人声音频进行声纹识别。

在一些可选的实施例中，在截取用户音频中的人声音频之后还包括截取用户人声音频中的非人声音频，其中截取的方法和截取用户的人声音频相同，都是使用话音激活检测进行截取，也就相当于是把用户输入的音频中的人声音频和非人声音频进行区分出来，非人声音频可以作为环境音，其中除了人声之外的各种噪声视为环境音。

再请参考图2，其示出了本发明一实施例提供的另一种声纹使用方法。所述方法应用于声纹功能和唤醒功能。该流程图主要是对步骤103中“若通过，则对所述人声音频进行声纹识别”进一步限定的步骤的流程图。

如图2所示，在步骤201中，若通过，计算所述人声音频和所述非人声音频的信噪比；

在步骤202中，若所述信噪比达到预设阈值，则对所述人声音频进行声纹识别。

在本实施例中，对于步骤201，若通过，计算所述人声音频和所述非人声音频的信噪比，例如，用户的人声音频经过语音识别验证处理并且语音识别结果大于预设的阈值才能判定用户的人声音频为通过状态，当为通过状态时，计算用户的人声音频和非人声音频的信噪比，也就是计算用户的人声和环境噪声的比例。

对于步骤202，若所述信噪比达到预设阈值，则对所述人声音频进行声纹识别，例如，根据计算出的用户的人声音频与非人声音频的信噪比，与预设的阈值进行比较，确认所述信噪比的结果是否达到预设的阈值，若所述信噪比的结果达到了预设的阈值，则对用户的人声音频进行声纹识别。需要说明的是，若所述信噪比未达到预设的阈值，说明环境噪音过大，不宜直接使用声纹，此时可以禁止用户使用声纹或者告知用户“当前场景噪声过大不宜直接使用声纹”，本申请在此没有。

本申请实施例的方法通过判断人声音频与非人声音频的信噪比是否能够达到预设阈值的方式，使用该方法来可以判断当前音频是否满足使用声纹的条件。

请参考图3，其示出了本发明一实施例提供的又一种声纹使用方法。该流程图主要是针对步骤103“若通过，则对所述人声音频进行声纹识别”之后的步骤进一步限定的流程图。

如图3所示，在步骤301中，若通过，计算所述人声音频的环境音量；

在步骤302中，若所述人声音频的环境音量达到预设阈值，则对所述人声音频进行声纹识别。

在本实施例中，对于步骤301，若通过，计算所述人声音频的环境音量，例如，用户的人声音频经过语音识别验证处理并且语音识别结果大于预设的阈值才能判定用户的人声音频为通过状态，当为通过状态时，计算用户的人声音频的环境音量。

对于步骤302，若所述人声音频的环境音量达到预设阈值，则对所述人声音频进行声纹识别，例如，根据计算出的用户的人声音频的环境音量与预设的阈值进行判断，确认计算出的人声音频的环境音量结果达到预设的阈值，则对用户的人声音频进行声纹识别。

本申请实施例的方法通过判定计算用户的人声音频的环境音量是否能够达到进行声纹识别的阈值，使用该方法来判断当前音频是否满足使用声纹的条件，可以提高声纹处理结果的准确度。

请参考图4，其示出了本发明一实施例提供的又一种声纹使用方法。该流程图主要应用于声纹注册功能，在采集用户音频之前，上述方法还包括录制环境音，因为在声纹注册功能中，由于可以让用户按照机器的指令录制音频，因此可以先录制一段环境音。

如图4所示，在步骤401中，若通过，计算所述人声音频和所述环境音的信噪比；

在步骤402中，若所述信噪比达到预设阈值，则对所述人声音频进行声纹识别；

在步骤403中，若所述信噪比未达到所述预设阈值，则不进行声纹注册。

在本实施例中，对于步骤401，若通过，计算所述人声音频和所述环境音的信噪比，首先录制一段环境音，使用唤醒功能进行唤醒，根据唤醒时缓存的音频，这段音频不仅有人声音频，而且说了对应的话术，通过使用话音激活检测将缓存的音频分离出人声音频，再将人声音频送本地识别进行识别，识别出预期的文字并且达到阈值，说明这段音频有效，当录制的环境音有效，才能进行计算人声音频和环境音的信噪比。

对于步骤402，若所述信噪比达到预设阈值，则对所述人声音频进行声纹识别，根据计算出的人声音频与环境音的信噪比与预设的阈值进行判断，确认所述信噪比的结果是否达到预设的阈值，若所述信噪比的结果达到了预设的阈值，才能对用户的人声音频进行声纹识别；对于步骤403，若所述信噪比未达到所述预设阈值，则不进行声纹注册，当人声音频与环境音的信噪比结果没有达到预设的阈值，就不能进行声纹识别，也不能进行声纹注册，并且直接退出使用声纹的流程。由于注册时的声纹之后会经常用到，所以信噪比未达到预设阈值时不进行声纹注册，从而可以获得效果比较好的注册声纹，便于之后唤醒或者其他场景使用。

本申请实施例的方法通过计算人声音频和环境音的信噪比和判断所述信噪比能否达到使用声纹的要求，可以保证在使用声纹识别时音频的质量。

需要说明的是，计算信噪比值部分可使用环境音量代替，但是音量是绝对值。使用场景大多在噪杂场景下，使用音量的话会大概率不能通过音量检查，导致不能使用声纹。

请参考图5，其示出了本发明一实施例提供的又一种声纹使用方法。该流程图主要是对流程图图1中步骤103中“对所述人声音频进行声纹识别”进一步限定的步骤的流程图。

如图5所示，在步骤501中，将所述人声音频送本地进行声纹识别得到本地识别结果；

在步骤502中，回调所述人声音频并发送至云端进行云端声纹处理得到云端识别结果；

在步骤503中，将所述本地识别结果和所述云端识别结果合并后发送给所述用户。

在本实施例中，对于步骤501，将所述人声音频送本地进行声纹识别得到本地识别结果，例如，根据用户的人声音频达到使用声纹识别的要求后，将用户的人声音频先送入本地的声纹进行识别，获取本地的声纹识别结果和置信度，当置信度达到了预设的阈值，则说明用户的人声音频里面含有的文字有效。

对于步骤502，回调所述人声音频并发送至云端进行云端声纹处理得到云端识别结果，当获取到本地的识别结果后，进行回调人声音频，将本地识别结果和回调后的人声音频一起送入云端的声纹进行处理，得到最后的到云端声纹识别结果；对于步骤503，将所述本地识别结果和所述云端识别结果合并后发送给所述用户，通过得到本地声纹的识别结果和得到的云端声纹的识别结果进行结合，将结合后的综合结果反馈给用户。

本申请实施例的方法通使用本地声纹识别和云端声纹识别结合的方式，可以使得在使用声纹识别中的效果更好。

在一些可选的实施例中，截取所述用户音频中的人声音频的截取方式为使用话音激活检测进行截取，其中话音激活检测的目的是为了检测当前的语音信号中是否包含语音信号的存在，为了更准确的进行后续的声纹识别；需要说明的是本申请中，使用激活检测进行截取，也可以通过其他的方式进行截取，本发明在此不作限定。

在一些可选的实施例中，本发明的声纹使用方法可以适用于使用场景环境噪音比较大时使用，如骑电动自行车、摩托车等，由于录制的音频包含大量的环境噪音，从而降低声纹的验证效果，使用该方法可以有效的解决这些问题。

再请参考图6，其出示了本发明一实施例提供的声纹使用方法的流程图。

如图6所示，一开始也是使用一段音频直接使用声纹进行识别，但是效果不好。

为了解决环境噪音过大导致声纹使用成功率不高的问题，就从如何减少环境音入手。解决方法是使用vad(Voice Activity Detection，话音激活检测)截取包含人声的音频，只保留一段或者多段人声的音频，拼接后再送识别，识别验证通过后再送声纹。

有时环境噪音确实很大，这时不宜使用声纹功能，可以通过计算人声和环境音的snr(SIGNAL-NOISE RATIO，信噪比)来判断当前音频是否满足使用声纹的条件。

当前方案是在原有使用声纹的基础上加了一些步骤。使用流程如下：

1.录制一段环境音，如果和用户交互过程不方便一开始录制环境音，可从之后的音频里截取非人声音频作为环境音；

2.适用唤醒时缓存的音频，这段音频不仅有人声，而且说了对应的话术；

3.使用vad将2步骤缓存的音频分离出人声。如果前面没有录制环境音，则非人声音频作为环境音；

4.人声送本地识别进行识别，识别出预期的文字并且达到阈值，说明这段音频有效，进行下一步；

5.计算人声和环境音的snr值，达到阈值进行下一步；

6.送声纹进行声纹识别；

7.抛出声纹结果。

决策核心过程如下：

步骤1：流程开始，UI提示用户进入使用声纹的流程。

步骤2：使用声纹注册模式，先录制一段环境音。否则直接进行下一步。

步骤3：使用声纹功能和唤醒功能。

步骤4：出现唤醒时，唤醒模块发送缓存的1.4秒唤醒音频给声纹模块，并持续发送之后的音频，一共发送4秒的音频。

步骤5：声纹模块里的vad持续接收音频，一共收到4秒的音频。从中分离出人声音频。如果不是注册模式，则非人声部分音频作为环境音。

步骤6：人声音频送本地识别，获取识别结果和置信度。置信度达到阈值，则说明音频里含的文字有效，进行下一步。同时回调人声音频，回调的人声音频直接进行云端声纹处理。

步骤7：计算人声和环境音的snr值，达到阈值进行下一步。

步骤8：将人声音频和本地识别的结果，一起送给本地声纹进行识别，得出结果，等待云端声纹识别结果。

步骤9：将本地识别结果和云端识别结果综合结果后回调给最终用户。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作合并，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在一些实施例中，本发明实施例提供一种非易失性计算机可读存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本发明上述任一项声纹使用方法。

在一些实施例中，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项声纹使用方法。

在一些实施例中，本发明实施例还提供一种电子设备，其包括：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声纹使用方法。

图7是本发明实施例提供的电子设备的结构示意图，如图7所示，该设备包括：一个或多个处理器710以及存储器720，图7中以一个处理器710为例。声纹使用方法的设备还可以包括：输入装置730和输出装置740。处理器710、存储器720、输入装置730和输出装置740可以通过总线或者其他方式连接，图7中以通过总线连接为例。存储器720为上述的非易失性计算机可读存储介质。处理器710通过运行存储在存储器720中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例声纹使用方法。输入装置730可接收输入的数字或字符信息，以及产生与声纹使用设备的用户设置以及功能控制有关的键信号输入。输出装置740可包括显示屏等显示设备。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

本申请实施例的电子设备以多种形式存在，包括但不限于:

(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等。

(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)其他具有数据交互功能的机载电子装置，例如安装上车辆上的车机装置。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种声纹使用方法，包括：

响应于采集的用户音频，截取所述用户音频中的人声音频；

对所述人声音频进行语音识别并验证识别结果是否通过；

若通过，则对所述人声音频进行声纹识别。

2.根据权利要求1所述的方法，其中，在所述截取所述用户音频中的人声音频之后，所述方法还包括截取所述用户音频中的非人声音频。

3.根据权利要求2所述的方法，其中，所述方法应用于使用声纹功能和唤醒功能，所述若通过，则对所述人声音频进行声纹识别包括：

若通过，计算所述人声音频和所述非人声音频的信噪比；

若所述信噪比达到预设阈值，则对所述人声音频进行声纹识别。

4.根据权利要求1所述的方法，所述若通过，则对所述包含人声的音频进行声纹识别包括：

若通过，计算所述人声音频的环境音量；

若所述人声音频的环境音量达到预设阈值，则对所述人声音频进行声纹识别。

5.根据权利要求1所述的方法，其中，所述方法应用于声纹注册功能，在采集用户音频之前，还包括：录制环境音。

所述若通过，则对所述人声音频进行声纹识别包括：

若通过，计算所述人声音频和所述环境音的信噪比；

若所述信噪比达到预设阈值，则对所述人声音频进行声纹识别；

若所述信噪比未达到所述预设阈值，则不进行声纹注册。

6.根据权利要求1所述的方法，其中，所述对所述人声音频进行声纹识别包括：

将所述人声音频送本地进行声纹识别得到本地识别结果；

回调所述人声音频并发送至云端进行云端声纹处理得到云端识别结果；

将所述本地识别结果和所述云端识别结果合并后发送给所述用户。

7.根据权利要求1-6所述的方法，所述截取所述用户音频中的人声音频包括：使用话音激活检测截取所述用户音频中的人声音频。

8.根据权利要求7所述的方法，其中，所述方法应用于电动自行车。

9.一种电子设备，其包括：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至8任一项所述方法的步骤。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。

Images