CN114550728B - 用于标记说话人的方法、装置和电子设备 - Google Patents
用于标记说话人的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114550728B CN114550728B CN202210139621.2A CN202210139621A CN114550728B CN 114550728 B CN114550728 B CN 114550728B CN 202210139621 A CN202210139621 A CN 202210139621A CN 114550728 B CN114550728 B CN 114550728B
- Authority
- CN
- China
- Prior art keywords
- determining
- sound data
- sound source
- sound
- data frame
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000007704 transition Effects 0.000 claims description 68
- 239000013598 vector Substances 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
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
- G10L17/14—Use of phonemic categorisation or speech recognition prior to speaker recognition or verification
-
- 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
- G10L17/16—Hidden Markov models [HMM]
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本公开实施例公开了用于标记说话人的方法、装置和电子设备。该方法的一具体实施方式包括:获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息;基于声源位置信息,确定声学模型的至少一种描述参数;基于所述声学模型,确定所述声音数据帧序列的说话人标识序列,所述说话人标识序列中的说话人标识指示声音数据帧序列中的声音数据帧所对应的说话人。由此,提供了一种新的用于标记说话人的方式。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种用于标记说话人的方法、装置和电子设备。
背景技术
随着计算机的发展,用户可以使用电子设备实现各种功能。例如,用户可以通过电子设备与他人进行多媒体会议,实现不受时间或者空间限制地开启会议。
在一些场景中,说话人标记是将一段语音中不同说话人的说话区间标记出来的技术,又称为说话人分割聚类。说话人标记常用于会议录音的转录,使用户能够直接从文本上分辨出每段话对应的说话人,更好地理解会议内容。
发明内容
提供该公开内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开实施例提供了一种用于标记说话人的方法,该方法包括:获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息;基于声源位置信息,确定声学模型的至少一种描述参数;基于所述声学模型,确定所述声音数据帧序列的说话人标识序列,所述说话人标识序列中的说话人标识指示声音数据帧序列中的声音数据帧所对应的说话人。
第二方面,本公开实施例提供了一种用于标记说话人的装置,包括:获取单元,用于获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息;第一确定单元,用于基于声源位置信息,确定声学模型的至少一种描述参数;第二确定单元,用于基于所述声学模型,确定所述声音数据帧序列的说话人标识序列,所述说话人标识序列中的说话人标识指示声音数据帧序列中的声音数据帧所对应的说话人。
第三方面,本公开实施例提供了一种电子设备,包括:至少一个处理器;存储装置,用于存储至少一个程序,当所述至少一个程序被所述一个或多个处理器执行,使得所述至少一个处理器实现如第一方面所述的用于标记说话人的方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的用于标记说话人的方法的步骤。
本公开实施例提供的用于标记说话人的方法、装置和电子设备,首先可以获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息;基于声源位置信息,确定声学模型的至少一种描述参数,以及基于所述声学模型,确定所述声音数据帧序列的说话人标识序列,所述说话人标识序列中的说话人标识指示声音数据帧序列中的声音数据帧所对应的说话人。由此,可以提供一种新的标记说话人的方式,这种新的方式综合考虑语音信号的声学信息和声源的位置信息,可以提高标记准确率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的用于标记说话人的方法的一个实施例的流程图;
图2是根据本公开的用于标记说话人的方法的一个应用场景的示意图;
图3是根据本公开的用于标记说话人的方法的另一个实施例的流程图;
图4是根据本公开的用于标记说话人的方法的一种示例性实现方式的流程图;
图5是根据本公开的用于标记说话人的装置的一个实施例的结构示意图;
图6是本公开的一个实施例的用于标记说话人的方法可以应用于其中的示例性系统架构;
图7是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
请参考图1,其示出了根据本公开的用于标记说话人的方法的一个实施例的流程。如图1所示该用于标记说话人的方法,包括以下步骤:
步骤101,获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息。
在本实施例中,用于标记说话人的方法的执行主体(例如服务器和/或终端设备)可以获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息。
在本实施例中,声音数据帧序列,可以包括至少两个声音数据帧。声音数据帧序列中的声音数据帧,可以按照时间顺序排列。
在本实施例中,声源位置信息可以指示声音数据帧的声源所在的位置。作为示例,声源位置信息与声音数据帧一一对应。声源位置信息的形式例如可以包括以下至少一项但不限于:向量、数值。
在一些应用场景中,声音数据帧的时长,可能大于采集声源位置信息的间隔。这种情况下,声音数据帧对应的时长内,可能具有多个采集声源位置信息的时间点。
作为示例,可以将输入语音按照一定的窗长、窗移切分为短片段(例如窗长1.5s,窗移0.75s),利用特征提取模型计算第t个短片段(即声源数据帧)对应的声音特征向量(speaker embedding),表示为xt。可选的,可以计算该短片段中包含的所有声源位置向量的均值,作为该短片段的声源位置向量dt。
步骤102,基于声源位置信息,确定声学模型的至少一种描述参数。
在这里,上述执行主体可以基于声源位置信息,确定声学模型中的至少描述参数。
在本实施例中,声学模型可以包括以下至少一种但不限于:高斯混合模型、隐马尔科夫模型等。
在一些实施例中,上述声学模型可以包括隐马尔科夫模型。
在一些应用场景中,隐马尔科夫模型(Hidden Markov Model,HMM)也可以称为隐马尔可夫模型,是马尔可夫链的一种,它的状态不能直接观察到,但能通过观测向量序列观察到,每个观测向量都是通过某些概率密度分布表现为各种状态,每一个观测向量是由一个具有相应概率密度分布的状态序列产生。隐马尔科夫模型的描述参数可以包括以下至少一项但不限于:隐含状态、可观测状态、初始状态概率矩阵、隐含状态转移概率矩阵、观测状态转移矩阵。
在一些应用场景中,隐含状态S之间满足马尔可夫性质,是马尔可夫模型中实际所隐含的状态。这些状态通常无法通过直接观测而得到。(例如S1、S2、S3等等)。
在一些应用场景中,可观测状态O在模型中与隐含状态相关联,可通过直接观测而得到。(例如O1、O2、O3等,可观测状态的数目不一定要和隐含状态的数目一致。)
在一些应用场景中,初始状态概率矩阵π表示隐含状态在初始时刻t=1的概率矩阵,(例如t=1时,P(S1)=P1、P(S2)=P2、P(S3)=p3,则初始状态概率矩阵π=[[p1,p2,p3])。
在一些应用场景中,隐含状态转移概率矩阵A,描述了HMM模型中各个状态之间的转移概率,其中Aij=P(Sj|Si),1≤i,,j≤N,表示在t时刻、状态为Si的条件下,在t+1时刻状态是Sj的概率。
在一些应用场景中,观测状态转移概率矩阵B(Confusion Matrix),令N代表隐含状态数目,M代表可观测状态数目,则:Bij=P(Oi|Sj),1≤i≤M,1≤j≤N,表示在t时刻、隐含状态是Sj的条件下,观察状态为Oi的概率。
可选的,上述声源位置信息,可以用于确定隐含状态、可观测状态、初始状态概率矩阵、隐含状态转移概率矩阵、观测状态转移矩阵中的一项或者多项。
步骤103,基于声学模型,确定声音数据帧序列的说话人标识序列。
在这里,所述说话人标识序列中的说话人标识指示声音数据帧序列中的声音数据帧所对应的说话人。
在这里,可以将声音数据帧序列,通过HMM估计出对应的状态序列,状态序列中的每个元素指示t时刻的说话人标识,由此可以得到各声音数据帧对应的说话人,即说话人标识序列。
需要说明的是,本实施例提供的用于标记说话人的方法,首先可以获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息;基于声源位置信息,确定声学模型的至少一种描述参数,以及基于所述声学模型,确定所述声音数据帧序列的说话人标识序列,所述说话人标识序列中的说话人标识指示声音数据帧序列中的声音数据帧所对应的说话人。由此,可以提供一种新的标记说话人的方式,这种新的方式综合考虑语音信号的声学信息和声源的位置信息,可以提高标记准确率。
作为示例,在一个会议室中,当两个参会人坐的位置相对会议机的角度差别较大时,即便两人音色相近,也能通过声源的位置区分出当前的说话人。而当两个说话人相对会议机的角度差别较小时,能通过语音信息区分说话人身份。
对比来说,在一些相关技术中,说话人标记技术仅使用单通道语音信号进行识别,这使得系统容易受到噪声等因素的干扰。同时,当两个人音色相近时,识别出的说话人身份也容易发生混淆,进而影响识别准确率。
在一些实施例中,所述基于声源位置信息,确定声学模型的至少一种描述参数,包括:基于声源位置信息,确定声学模型的状态转移概率。
在一些实施例中,所述基于声源位置信息,确定声学模型的至少一种描述参数,包括:基于声源位置信息确定所述声学模型中的状态观测概率。
在一些实施例中,所述基于声源位置信息,确定声学模型的状态转移概率,包括:根据声音数据帧对应的声源位置向量,确定声音数据帧的声源位置标识;对于声音数据帧序列中的相邻声音数据帧,根据相邻声音数据帧的声源位置标识,确定相邻声音数据帧之间的转移概率;根据所确定的转移概率,确定声学模型的状态转移概率。
在一些实施例中,所述根据声音数据帧对应的声源位置向量,确定声音数据帧的声源位置标识,包括:将声源位置向量中的最大向量分量所对应的声源方向,确定为声音数据帧的声源位置标识。
在一些实施例中,所述对于声音数据帧序列中的相邻声音数据帧,根据相邻声音数据帧的声源位置标识,确定相邻声音数据帧之间的转移概率,包括:根据相邻声音数据帧对应的两个声源位置标识,确定相邻声音数据帧之间的声源位置差;若所述声源位置差大于预设差距阈值,则确定相邻声音数据帧对应的说话人转换;若所述声源位置差不大于预设差距阈值,则确定相邻声音数据帧对应的说话人不转换;根据所确定的说话人是否转换,确定不同说话人之间对应的转移概率。
在一些实施例中,所述获取与声音数据帧序列中的声音数据帧对应的声源位置信息,包括:对于声音数据帧序列中的声音数据帧,确定该声音数据帧对应的声源位置向量,其中,声源位置向量中的各个分量指示声源方向为各个预设方向的概率。
在一些实施例中,所述方法还包括:以声音采集设备为中心,确定至少两个预设方向;根据声音采集设备接收到声音数据帧的方向信息,确定声源位置向量。
在一些实施例中,所述基于声学模型,确定所述声音数据帧序列的说话人标识序列,包括:对声音数据帧序列进行聚类,得到初始聚类结果,其中,所述初始聚类结果包括聚类中心和聚类中心的类簇,聚类中心指示说话人标识;将所述初始聚类结果确定为聚类结果,以及基于聚类结果执行第一步骤,其中,第一步骤包括:根据聚类结果,确定初始状态分布;基于各个类簇所包括声音数据帧,确定所述声学模型中与说话人标识对应的状态观测概率;根据初始状态分布、状态转移概率和所述状态观测概率,确定说话人标识序列;响应于预设停止条件满足,输出说话人标识序列;响应于预设停止条件不满足,根据所确定的说话人标识序列,更新聚类结果,以及基于更新后的聚类结果执行所述第一步骤。
在一些实施例中,所述基于各个类簇所包括声音数据帧,确定所述声学模型中与说话人标识对应的状态观测概率,包括:根据聚类中心所指示的说话人标识对应的声源位置向量,确定各个说话人标识对应的声源位置分布;根据类簇中的声音数据帧,确定说话人标识对应的声学特征分布;根据声源位置分布和声音特征分布,确定所述声学模型中与说话人标识对应的状态观测概率。
在一些实施例中,所述基于各个类簇所包括声音数据帧,确定所述声学模型中与说话人标识对应的状态观测概率,包括:根据类簇中的声音数据帧,确定说话人标识对应的声学特征分布;根据声音特征分布确定状态观测概率,确定所述声学模型中与说话人标识对应的状态观测概率。
在一些实施例中,所述预设停止条件,包括以下至少一项:说话人标识序列相对于上一次执行第一步骤所确定的说话人标识序列不改变,第一步骤的执行次数不小于预设次数阈值。
作为示例,可以以隐马尔科夫模型为例,对上述技术方案进行说明。在一些实施例中,步骤102,包括:基于声源位置信息,确定隐马尔科夫模型的状态转移概率。
在这里,隐马尔科夫模型的状态转移概率,可以通过t时刻和t-1时刻的声源位置信息确定。如果声源位置信息指示说话人位置改变程度较大,则确定状态转移概率为plarge是一个很接近1的参数(例如0.99),psmall是一个很接近0的参数(例如0.01)。
需要说明的是,基于声源位置信息确定隐马尔科夫模型中的状态转移概率,不仅可以确定较为准确的状态转移概率,进而准确标记说话人,而且可以减少建立隐马尔科夫模型的计算量。
具体说明如下,首先,相对于随机指定初始状态转移概率,然后随着建立隐马尔科夫模型的过程更新状态转移概率,引入声源位置信息确定状态转移概率可以避免使用不准确的状态转移概率进行试探性计算,直接以准确的状态转移数据进行计算,可以减少因状态转移概率误差导致的说话人标记错误。其次,基于声源位置信息确定状态转移概率,隐马尔科夫模型收敛需要较少的迭代次数,并且,无需在迭代过程中节省了更新状态转移概率的计算量,因此计算量大幅减少。
对比说明如下,建立隐马尔科夫模型的过程中,如果随着迭代过程不断更新状态转移概率,则计算状态转移概率需要大量计算量;并且,在状态转移概率没有收敛的时候,隐马尔科夫模型也没有收敛,导致隐马尔科夫模型序列的收敛消耗较多的时间和次数。
在一些实施例中,所述隐马尔可夫模型中的状态观测概率,基于声源位置信息确定。
在这里,状态观测概率基于声源位置信息确定,可以利用声源位置信息校正状态观测概率,提高说话人标记的准确率。作为示例,如果两个说话人的声音特征相似,引入声源位置信息确定状态观测概率,可以加大这两个人之间的差别,减小将两个人混淆的可能性。
在一些实施例中,所述获取与声音数据帧序列中的声音数据帧对应的声源位置信息,包括:对于声音数据帧序列中的声音数据帧,确定该声音数据帧对应的该声音数据帧对应的声源位置向量。
这里,声源位置向量中的各个分量指示声源方向为各个预设方向的概率。
在一些实施例中,所述方法还包括:以声音采集设备为中心,确定至少两个预设方向;根据声音采集设备接收到声音数据帧的方向信息,确定声源位置向量。
作为示例,请参考图2,以声音采集设备201为中心,选定任意方向为参考方向,将一周N等分,得到N的方向角: 方向角θ如图2所示。
在一些应用场景中,声音采集设备可以包括多麦克风阵列,例如带有麦克风阵列录制设备包括会议机、智能音箱等。在使用多麦克风录制语音时,可以通过数字信号处理或深度学习等方法估计各时刻对应的主声源位置,即波达方向(Direction of arrival,DOA)。即当采用麦克风阵列作为录音设备时,可以收集到多通道声音数据(声音数据对应的通道标识可以理解为方向信息)。进而,利用信号处理或深度学习等算法,可以估计各个时刻对应的声源位置 表示声源来自方向θi的概率。将dt称为t时刻声源位置向量。
在一些实施例中,所述基于声源位置信息,确定隐马尔科夫模型的状态转移概率,包括:根据声音数据帧对应的声源位置向量,确定声音数据帧的声源位置标识;对于声音数据帧序列中的相邻声音数据帧,根据相邻声音数据帧的声源位置标识,确定相邻声音数据帧之间的转移概率;根据所确定的转移概率,确定隐马尔科夫模型的状态转移概率。
在一些实施例中,所述根据声音数据帧对应的声源位置向量,确定声音数据帧的声源位置标识,包括:将声源位置向量中的最大向量分量所对应的声源方向,确定为声音数据帧的声源位置标识。
在一些实施例中,状态转移概率p(zt|zt-1)通过t时刻和t-1时刻的声源位置向量确定。
在这里,利用声源位置向量确定声源位置标识,可以参考多个
在一些实施例中,所述对于声音数据帧序列中的相邻声音数据帧,根据相邻声音数据帧的声源位置标识,确定相邻声音数据帧之间的转移概率,包括:根据相邻声音数据帧对应的两个声源位置标识,确定相邻声音数据帧之间的声源位置差;若所述声源位置差大于预设差距阈值,则确定相邻声音数据帧对应的说话人转换;若所述声源位置差不大于预设差距阈值,则确定相邻声音数据帧对应的说话人不转换;根据所确定的说话人是否转换,确定不同说话人之间对应的转移概率。
作为示例,由于方向角是按照圆周分布的,因此位置向量中第一个分量和最后一个分量之间的索引(即方向角下标)相差为1。用at表示dt中概率最大值的方向角对应的索引。at-1和at之间的差值表示为:min(|at-1-at|,|at-1+N-at|,|at+N-at-1|)。当差值小于阈值thresha时,认为t时刻和t-1时刻的声源来自同一方向,此时可以采用公式(1)表示状态转移概率。
当差值大于阈值thresha时,认为t时刻和t-1时刻的声源来自不同方向,此时可以采用公式(2)表示状态转移概率。
其中,plarge是一个很接近1的参数(例如0.99),psmall是一个很接近0的参数(例如0.01)。最后,对转移概率进行归一化,如公式(3)所示。
请参考图3,其示出了根据本公开的用于标记说话人的方法的另一个实施例的流程。如图3所示该用于标记说话人的方法,包括以下步骤:
步骤301,获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息。
步骤302,基于声源位置信息,确定隐马尔科夫模型的状态转移概率。
步骤301和步骤302的实现细节和技术效果,可以参考本申请相关部分的说明,在此不再赘述。
步骤303,对声音数据帧序列进行聚类,得到初始聚类结果。
在这里,所述初始聚类结果包括聚类中心和聚类中心的类簇,聚类中心指示说话人标识。
作为示例,利用层次聚类等方法,基于speaker embedding进行预聚类,得到初始聚类结果,每个类代表一个初始说话人。
步骤304,将所述初始聚类结果确定为聚类结果,以及基于聚类结果执行第一步骤。
在一些实施例中,第一步骤可以包括步骤3041、步骤3042、步骤3043和步骤3044。
步骤3041,根据聚类结果,确定初始状态分布。
作为示例,采用变分贝叶斯隐马尔科夫模型(Variationa lBayes Hidden MarkovModel,VBHMM)对speaker embedding和声源位置向量联合建模。VBHMM包含三个参数:初始状态分布πs,状态转移概率(transition probability)P(zt|zt-1),状态观测概率(outputprobability)。
步骤3042,基于各个类簇所包括声音数据帧,确定所述隐马尔科夫模型中与说话人标识对应的状态观测概率。
步骤3043,根据初始状态分布、状态转移概率和所述状态观测概率,确定说话人标识序列。
步骤3044,响应于预设停止条件满足,输出说话人标识序列。
步骤305,响应于预设停止条件不满足,根据所确定的说话人标识序列,更新聚类结果,以及基于更新后的聚类结果执行第一步骤。
在这里,第一步骤可以理解为循环步骤,步骤305可以理解为跳转步骤。
作为示例,从初始聚类结果可以计算初始状态分布、状态观测概率,从声源位置向量可以计算状态转移概率,通过前后向算法(Forward Backward Algorithm)估计得到VBHMM状态序列,即第一次迭代结果。从第一次迭代结果可以重新计算初始状态分布、状态观测概率,再次通过前后向算法得到第二次迭代结果。重复该迭代步骤,直到说话人标识序列不再改变或到达指定迭代次数。
需要说明的是,通过图3提供的实施例,在HMM框架中同时对声学信息和声源位置信息建模,通过将声源位置信息应用到计算状态转移概率和状态观测概率两方面,能够提高大幅提升说话人标识序列的准确率。
在一些实施例中,所述预设停止条件,包括以下至少一项:说话人标识序列相对于上一次执行第一步骤所确定的说话人标识序列不改变,第一步骤的执行次数不小于预设次数阈值。
可以理解,上一次执行第一步骤所确定的说话人标识序列,是在上一次执行第一步骤时,确定的说话人标识序列。
在一些实施例中,所述步骤3042,即基于各个类簇所包括声音数据帧,确定所述隐马尔科夫模型中与说话人标识对应的状态观测概率,包括步骤401、步骤402和步骤403。如图4所示。
步骤401,根据聚类中心所指示的说话人标识对应的声源位置向量,确定各个说话人标识对应的声源位置分布。
作为示例,p(dt|s)由声源位置信息决定,即均值为ds,方差为σ2I的高斯分布。ds是初始聚类结果中说话人s包含的所有短片段声源位置向量的均值;σ是一个参数,一般可设为0.01。I是一个单位矩阵。
步骤402,根据类簇中的声音数据帧,确定说话人标识对应的声学特征分布。
作为示例,可以认为任一说话人s对应的speaker embedding均值ms服从均值为0,方差为Φ的正态分布,且可以表示为ms=Vys。其中,V=Φ1/2,ys服从标准正态分布。p(xt|s)由声学信息决定,
步骤403,根据声源位置分布和声音特征分布,确定所述隐马尔科夫模型中与说话人标识对应的状态观测概率。
作为示例,状态s对应的观测概率表示为p(dt|s)p(xt|s)。
在一些实施例中,所述基于各个类簇所包括声音数据帧,确定所述隐马尔科夫模型中与说话人标识对应的状态观测概率,包括:根据类簇中的声音数据帧,确定说话人标识对应的声学特征分布;根据声音特征分布确定状态观测概率,确定所述隐马尔科夫模型中与说话人标识对应的状态观测概率。
作为示例,任一说话人s对应的speaker embedding均值ms服从均值为0,方差为Φ的正态分布,且可以表示为ms=Vys。其中,V=Φ1/2,ys服从标准正态分布。p(xt|s)由声学信息决定,状态s对应的观测概率表示为p(xt|s)。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于标记说话人的装置的一个实施例,该装置实施例与图1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5所示,本实施例的用于标记说话人的装置包括:获取单元501、第一确定单元502和第二确定单元503。其中,获取单元,用于获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息;第一确定单元,用于基于声源位置信息,确定声学模型的至少一种描述参数;第二确定单元,用于基于所述声学模型,确定所述声音数据帧序列的说话人标识序列,所述说话人标识序列中的说话人标识指示声音数据帧序列中的声音数据帧所对应的说话人。
在本实施例中,用于标记说话人的装置的获取单元501、第一确定单元502和第二确定单元503的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102和步骤103的相关说明,在此不再赘述。
在一些实施例中,所述声学模型为隐马尔科夫模型。
在一些实施例中,所述基于声源位置信息,确定声学模型的至少一种描述参数,包括:基于声源位置信息,确定声学模型的状态转移概率。
在一些实施例中,所述基于声源位置信息,确定声学模型的至少一种描述参数,包括:基于声源位置信息确定所述声学模型中的状态观测概率。
在一些实施例中,所述基于声源位置信息,确定声学模型的状态转移概率,包括:根据声音数据帧对应的声源位置向量,确定声音数据帧的声源位置标识;对于声音数据帧序列中的相邻声音数据帧,根据相邻声音数据帧的声源位置标识,确定相邻声音数据帧之间的转移概率;根据所确定的转移概率,确定声学模型的状态转移概率。
在一些实施例中,所述根据声音数据帧对应的声源位置向量,确定声音数据帧的声源位置标识,包括:将声源位置向量中的最大向量分量所对应的声源方向,确定为声音数据帧的声源位置标识。
在一些实施例中,所述对于声音数据帧序列中的相邻声音数据帧,根据相邻声音数据帧的声源位置标识,确定相邻声音数据帧之间的转移概率,包括:根据相邻声音数据帧对应的两个声源位置标识,确定相邻声音数据帧之间的声源位置差;若所述声源位置差大于预设差距阈值,则确定相邻声音数据帧对应的说话人转换;若所述声源位置差不大于预设差距阈值,则确定相邻声音数据帧对应的说话人不转换;根据所确定的说话人是否转换,确定不同说话人之间对应的转移概率。
在一些实施例中,所述获取与声音数据帧序列中的声音数据帧对应的声源位置信息,包括:对于声音数据帧序列中的声音数据帧,确定该声音数据帧对应的声源位置向量,其中,声源位置向量中的各个分量指示声源方向为各个预设方向的概率。
在一些实施例中,所述装置还用于:以声音采集设备为中心,确定至少两个预设方向;根据声音采集设备接收到声音数据帧的方向信息,确定声源位置向量。
在一些实施例中,所述基于所述声学模型,确定所述声音数据帧序列的说话人标识序列,包括:对声音数据帧序列进行聚类,得到初始聚类结果,其中,所述初始聚类结果包括聚类中心和聚类中心的类簇,聚类中心指示说话人标识;将所述初始聚类结果确定为聚类结果,以及基于聚类结果执行第一步骤,其中,第一步骤包括:根据聚类结果,确定初始状态分布;基于各个类簇所包括声音数据帧,确定所述声学模型中与说话人标识对应的状态观测概率;根据初始状态分布、状态转移概率和所述状态观测概率,确定说话人标识序列;响应于预设停止条件满足,输出说话人标识序列;响应于预设停止条件不满足,根据所确定的说话人标识序列,更新聚类结果,以及基于更新后的聚类结果执行第一步骤。
在一些实施例中,所述基于各个类簇所包括声音数据帧,确定所述马尔科夫模型中与说话人标识对应的状态观测概率,包括:根据聚类中心所指示的说话人标识对应的声源位置向量,确定各个说话人标识对应的声源位置分布;根据类簇中的声音数据帧,确定说话人标识对应的声学特征分布;根据声源位置分布和声音特征分布,确定所述声学模型中与说话人标识对应的状态观测概率。
在一些实施例中,所述基于各个类簇所包括声音数据帧,确定所述声学模型中与说话人标识对应的状态观测概率,包括:根据类簇中的声音数据帧,确定说话人标识对应的声学特征分布;根据声音特征分布确定状态观测概率,确定所述声学模型中与说话人标识对应的状态观测概率。
在一些实施例中,所述预设停止条件,包括以下至少一项:说话人标识序列相对于上一次执行第一步骤所确定的说话人标识序列不改变,第一步骤的执行次数不小于预设次数阈值。
请参考图6,图6示出了本公开的一个实施例的用于标记说话人的方法可以应用于其中的示例性系统架构。
如图6所示,系统架构可以包括终端设备601、602、603,网络604,服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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。
终端设备601、602、603可以通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种客户端应用,例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备601、602、603中的客户端应用可以接收用户的指令,并根据用户的指令完成相应的功能,例如根据用户的指令在信息中添加相应信息。
终端设备601、602、603可以是硬件,也可以是软件。当终端设备601、602、603为硬件时,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备601、602、603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的软件或软件模块),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605可以是提供各种服务的服务器,例如接收终端设备601、602、603发送的信息获取请求,根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备601、602、603。
需要说明的是,本公开实施例所提供的用于标记说话人的方法可以由终端设备执行,相应地,用于标记说话人的装置可以设置在终端设备601、602、603中。此外,本公开实施例所提供的用于标记说话人的方法还可以由服务器605执行,相应地,用于标记说话人的装置可以设置于服务器605中。
应该理解,图6中的终端设备、网络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终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机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。而在本公开中,计算机可读信号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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机可读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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息;基于声源位置信息,确定声学模型的至少一种描述参数;基于所述声学模型,确定所述声音数据帧序列的说话人标识序列,所述说话人标识序列中的说话人标识指示声音数据帧序列中的声音数据帧所对应的说话人。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取声源位置信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (14)
1.一种用于标记说话人的方法,其特征在于,包括:
获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息,其中,所述声音数据帧对应的时长内具有多个采集声源位置信息的时间点;
基于声源位置信息,确定声学模型的至少一种描述参数,包括:基于声源位置信息,确定声学模型的状态转移概率;
基于所述声学模型,确定所述声音数据帧序列的说话人标识序列,所述说话人标识序列中的说话人标识指示声音数据帧序列中的声音数据帧所对应的说话人;以及
所述基于声源位置信息,确定声学模型的状态转移概率,包括:
根据声音数据帧对应的声源位置向量,确定声音数据帧的声源位置标识;
对于声音数据帧序列中的相邻声音数据帧,根据相邻声音数据帧的声源位置标识,确定相邻声音数据帧之间的转移概率;
根据所确定的转移概率,确定声学模型的状态转移概率。
2.根据权利要求1所述的方法,其特征在于,所述声学模型为隐马尔科夫模型。
3.根据权利要求1-2中任一项所述的方法,其特征在于,所述基于声源位置信息,确定声学模型的至少一种描述参数,包括:
基于声源位置信息确定所述声学模型中的状态观测概率。
4.根据权利要求1所述的方法,其特征在于,所述根据声音数据帧对应的声源位置向量,确定声音数据帧的声源位置标识,包括:
将声源位置向量中的最大向量分量所对应的声源方向,确定为声音数据帧的声源位置标识。
5.根据权利要求1所述的方法,其特征在于,所述对于声音数据帧序列中的相邻声音数据帧,根据相邻声音数据帧的声源位置标识,确定相邻声音数据帧之间的转移概率,包括:
根据相邻声音数据帧对应的两个声源位置标识,确定相邻声音数据帧之间的声源位置差;
若所述声源位置差大于预设差距阈值,则确定相邻声音数据帧对应的说话人转换;
若所述声源位置差不大于预设差距阈值,则确定相邻声音数据帧对应的说话人不转换;
根据所确定的说话人是否转换,确定不同说话人之间对应的转移概率。
6.根据权利要求1所述的方法,其特征在于,所述获取与声音数据帧序列中的声音数据帧对应的声源位置信息,包括:
对于声音数据帧序列中的声音数据帧,确定该声音数据帧对应的声源位置向量,其中,声源位置向量中的各个分量指示声源方向为各个预设方向的概率。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
以声音采集设备为中心,确定至少两个预设方向;
根据声音采集设备接收到声音数据帧的方向信息,确定声源位置向量。
8.根据权利要求1所述的方法,其特征在于,所述基于所述声学模型,确定所述声音数据帧序列的说话人标识序列,包括:
对声音数据帧序列进行聚类,得到初始聚类结果,其中,所述初始聚类结果包括聚类中心和聚类中心的类簇,聚类中心指示说话人标识;
将所述初始聚类结果确定为聚类结果,以及基于聚类结果执行第一步骤,其中,第一步骤包括:根据聚类结果,确定初始状态分布;基于各个类簇所包括声音数据帧,确定所述声学模型中与说话人标识对应的状态观测概率;根据初始状态分布、状态转移概率和所述状态观测概率,确定说话人标识序列;响应于预设停止条件满足,输出说话人标识序列;
响应于预设停止条件不满足,根据所确定的说话人标识序列,更新聚类结果,以及基于更新后的聚类结果执行所述第一步骤。
9.根据权利要求8所述的方法,其特征在于,所述基于各个类簇所包括声音数据帧,确定所述声学模型中与说话人标识对应的状态观测概率,包括:
根据聚类中心所指示的说话人标识对应的声源位置向量,确定各个说话人标识对应的声源位置分布;
根据类簇中的声音数据帧,确定说话人标识对应的声学特征分布;
根据声源位置分布和声音特征分布,确定所述声学模型中与说话人标识对应的状态观测概率。
10.根据权利要求8所述的方法,其特征在于,所述基于各个类簇所包括声音数据帧,确定所述声学模型中与说话人标识对应的状态观测概率,包括:
根据类簇中的声音数据帧,确定说话人标识对应的声学特征分布;
根据声音特征分布确定状态观测概率,确定所述声学模型中与说话人标识对应的状态观测概率。
11.根据权利要求8所述的方法,其特征在于,所述预设停止条件,包括以下至少一项:说话人标识序列相对于上一次执行第一步骤所确定的说话人标识序列不改变,第一步骤的执行次数不小于预设次数阈值。
12.一种用于标记说话人的装置,其特征在于,包括:
获取单元,用于获取声音数据帧序列,以及获取与声音数据帧序列中的声音数据帧对应的声源位置信息,其中,所述声音数据帧对应的时长内具有多个采集声源位置信息的时间点;
第一确定单元,用于基于声源位置信息,确定声学模型的至少一种描述参数,包括:基于声源位置信息,确定声学模型的状态转移概率;
第二确定单元,用于基于所述声学模型,确定所述声音数据帧序列的说话人标识序列,所述说话人标识序列中的说话人标识指示声音数据帧序列中的声音数据帧所对应的说话人;以及
所述第一确定单元进一步用于通过如下方式基于声源位置信息,确定声学模型的状态转移概率:
根据声音数据帧对应的声源位置向量,确定声音数据帧的声源位置标识;
对于声音数据帧序列中的相邻声音数据帧,根据相邻声音数据帧的声源位置标识,确定相邻声音数据帧之间的转移概率;
根据所确定的转移概率,确定声学模型的状态转移概率。
13.一种电子设备,其特征在于,包括:
至少一个处理器;
存储装置,用于存储至少一个程序,
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-11中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-11中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139621.2A CN114550728B (zh) | 2022-02-15 | 2022-02-15 | 用于标记说话人的方法、装置和电子设备 |
PCT/CN2023/074903 WO2023155713A1 (zh) | 2022-02-15 | 2023-02-08 | 用于标记说话人的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139621.2A CN114550728B (zh) | 2022-02-15 | 2022-02-15 | 用于标记说话人的方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114550728A CN114550728A (zh) | 2022-05-27 |
CN114550728B true CN114550728B (zh) | 2024-03-01 |
Family
ID=81676436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210139621.2A Active CN114550728B (zh) | 2022-02-15 | 2022-02-15 | 用于标记说话人的方法、装置和电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114550728B (zh) |
WO (1) | WO2023155713A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550728B (zh) * | 2022-02-15 | 2024-03-01 | 北京有竹居网络技术有限公司 | 用于标记说话人的方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971713A (zh) * | 2017-01-18 | 2017-07-21 | 清华大学 | 基于密度峰值聚类和变分贝叶斯的说话人标记方法与系统 |
CN107452403A (zh) * | 2017-09-12 | 2017-12-08 | 清华大学 | 一种说话人标记方法 |
CN110178178A (zh) * | 2016-09-14 | 2019-08-27 | 纽昂斯通讯有限公司 | 具有环境自动语音识别(asr)的麦克风选择和多个讲话者分割 |
CN113849793A (zh) * | 2020-06-28 | 2021-12-28 | 阿里巴巴集团控股有限公司 | 角色分离方法、会议纪要的记录方法、角色展示方法、装置、电子设备及计算机存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6350148B2 (ja) * | 2014-09-09 | 2018-07-04 | 富士通株式会社 | 話者インデキシング装置、話者インデキシング方法及び話者インデキシング用コンピュータプログラム |
US20180197548A1 (en) * | 2017-01-09 | 2018-07-12 | Onu Technology Inc. | System and method for diarization of speech, automated generation of transcripts, and automatic information extraction |
CN113470698B (zh) * | 2021-06-30 | 2023-08-08 | 北京有竹居网络技术有限公司 | 一种说话人转换点检测方法、装置、设备及存储介质 |
CN113851136A (zh) * | 2021-09-26 | 2021-12-28 | 平安科技(深圳)有限公司 | 基于聚类的说话人识别方法、装置、设备及存储介质 |
CN114550728B (zh) * | 2022-02-15 | 2024-03-01 | 北京有竹居网络技术有限公司 | 用于标记说话人的方法、装置和电子设备 |
-
2022
- 2022-02-15 CN CN202210139621.2A patent/CN114550728B/zh active Active
-
2023
- 2023-02-08 WO PCT/CN2023/074903 patent/WO2023155713A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110178178A (zh) * | 2016-09-14 | 2019-08-27 | 纽昂斯通讯有限公司 | 具有环境自动语音识别(asr)的麦克风选择和多个讲话者分割 |
CN106971713A (zh) * | 2017-01-18 | 2017-07-21 | 清华大学 | 基于密度峰值聚类和变分贝叶斯的说话人标记方法与系统 |
CN107452403A (zh) * | 2017-09-12 | 2017-12-08 | 清华大学 | 一种说话人标记方法 |
CN113849793A (zh) * | 2020-06-28 | 2021-12-28 | 阿里巴巴集团控股有限公司 | 角色分离方法、会议纪要的记录方法、角色展示方法、装置、电子设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023155713A1 (zh) | 2023-08-24 |
CN114550728A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112153460B (zh) | 一种视频的配乐方法、装置、电子设备和存储介质 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN112752118B (zh) | 视频生成方法、装置、设备及存储介质 | |
WO2020238321A1 (zh) | 用于识别年龄的方法和装置 | |
WO2021088790A1 (zh) | 用于目标设备的显示样式调整方法和装置 | |
WO2022228067A1 (zh) | 语音处理方法、装置和电子设备 | |
CN114550728B (zh) | 用于标记说话人的方法、装置和电子设备 | |
CN113923378A (zh) | 视频处理方法、装置、设备及存储介质 | |
CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
CN111968657B (zh) | 语音处理方法、装置、电子设备和计算机可读介质 | |
CN113191257A (zh) | 笔顺检测方法、装置和电子设备 | |
CN111312224B (zh) | 语音分割模型的训练方法、装置和电子设备 | |
CN111460211A (zh) | 音频信息播放方法、装置和电子设备 | |
CN112926623B (zh) | 识别合成视频的方法、装置、介质及电子设备 | |
CN113709573B (zh) | 配置视频特效方法、装置、设备及存储介质 | |
CN112017685B (zh) | 语音生成方法、装置、设备和计算机可读介质 | |
CN111652002B (zh) | 文本划分方法、装置、设备和计算机可读介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN111797263A (zh) | 图像标签生成方法、装置、设备和计算机可读介质 | |
CN111339770A (zh) | 用于输出信息的方法和装置 | |
CN111814807B (zh) | 用于处理图像的方法、装置、电子设备和计算机可读介质 | |
CN112070163B (zh) | 图像分割模型训练和图像分割方法、装置、设备 | |
CN113256659B (zh) | 图片处理方法、装置和电子设备 | |
CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |