CN117174094A - 一种声纹识别方法及相关装置 - Google Patents

Abstract

本申请提供了一种声纹识别方法及相关装置，可应用于大数据领域或金融领域，包括：获取待识别声纹；基于多个声纹识别模型，确定待识别声纹的融合声纹特征；根据待识别声纹的融合声纹特征以及待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果。该方法利用多个模型训练方法不同的声纹识别模型提取多个声纹特征以形成融合声纹特征，从而根据该融合声纹特征以及多个声纹特征的权重实现声纹识别，如此，可以通过调整声纹特征的权重改进多个声纹识别模型的表现，在不同业务场景下均实现较高的声纹识别准确率。

Description

一种声纹识别方法及相关装置

技术领域

本申请涉及大数据领域，尤其涉及一种声纹识别方法、装置、服务器、计算机可读存储介质以及计算机程序产品。

背景技术

随着计算机技术，特别是大数据技术的快速发展，声纹识别可应用的业务场景逐渐增加。声纹识别是指对说话人的声纹进行识别，从而辨认或确认说话人身份的过程。例如，在银行业务中，可以利用声纹识别进行身份确认，从而提升银行业务(如银行交易)的安全性。

目前，业界通常会利用声纹识别模型实现声纹识别。然而，该方法难以满足不同的业务场景，在某些业务场景下的声纹识别准确率较低。

发明内容

本申请提供了一种声纹识别方法，该方法可以在不同的业务场景下进行声纹识别，提升声纹识别的准确率。本申请还提供了上述方法对应的装置、服务器、计算机可读存储介质以及计算机程序产品。

第一方面，本申请提供了一种声纹识别方法。所述方法包括：

获取待识别声纹；

基于多个声纹识别模型，确定所述待识别声纹的融合声纹特征，所述多个声纹识别模型的模型训练方法不同，所述待识别声纹的融合声纹特征中包括基于所述多个声纹识别模型提取的所述待识别声纹的多个声纹特征；

根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果，所述声纹库中包括多个入库声纹以及所述多个入库声纹的融合声纹特征，所述多个入库声纹的融合声纹特征是基于所述多个声纹识别模型确定的。

在一些可能的实现方式中，所述根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果，包括：

根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，计算所述待识别声纹的融合声纹特征与声纹库中多个入库声纹的融合声纹特征的多个相似度；

根据所述多个相似度，获得声纹识别结果。

在一些可能的实现方式中，所述根据所述多个相似度，获得声纹识别结果，包括：

对所述多个相似度进行排序，确定所述多个相似度的排序结果；

根据所述多个相似度的排序结果，以及所述多个相似度对应的多个入库声纹的说话人标识，获得声纹识别结果。

在一些可能的实现方式中，所述多个声纹识别模型包括第一声纹识别模型和第二声纹识别模型，所述根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，计算所述待识别声纹的融合声纹特征与声纹库中多个入库声纹的融合声纹特征的多个相似度，包括：

根据所述待识别声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征和多个入库声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征，计算第一相似度；

以及根据所述待识别声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征和多个入库声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征，计算第二相似度；

根据所述第一相似度以及所述待识别声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征对应的权重，以及所述第二相似度以及所述待识别声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征对应的权重，计算所述待识别声纹的融合声纹特征与声纹库中多个入库声纹的融合声纹特征的多个相似度。

在一些可能的实现方式中，所述方法还包括：

获取所述待识别声纹所属的业务场景类型；

根据所述业务场景类型，调整所述待识别声纹的融合声纹特征中多个声纹特征的权重。

在一些可能的实现方式中，所述基于多个声纹识别模型，确定所述待识别声纹的融合声纹特征，包括：

基于多个声纹识别模型，提取所述待识别声纹的多个声纹特征；

根据所述多个声纹识别模型以及所述待识别声纹的多个声纹特征，确定所述待识别声纹的融合声纹特征。

在一些可能的实现方式中，所述待识别声纹的融合声纹特征包括头部分和声纹特征部分，所述根据所述多个声纹识别模型以及所述待识别声纹的多个声纹特征，确定所述待识别声纹的融合声纹特征，包括：

根据所述多个声纹识别模型、所述待识别声纹的多个声纹特征的长度，确定所述待识别声纹的融合声纹特征的头部分，以及根据所述待识别声纹的多个声纹特征，确定所述待识别声纹的融合声纹特征的声纹特征部分。

第二方面，本申请提供了一种声纹识别装置。所述装置包括：

获取模块，用于获取待识别声纹；

确定模块，用于基于多个声纹识别模型，确定所述待识别声纹的融合声纹特征，所述多个声纹识别模型的模型训练方法不同，所述融合声纹特征中包括基于所述多个声纹识别模型提取的所述待识别声纹的多个声纹特征；

识别模块，用于根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果，所述声纹库中包括多个入库声纹以及所述多个入库声纹的融合声纹特征，所述多个入库声纹的融合声纹特征是基于所述多个声纹识别模型确定的。

在一些可能的实现方式中，所述识别模块具体用于：

根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，计算所述待识别声纹的融合声纹特征与声纹库中多个入库声纹的融合声纹特征的多个相似度；

根据所述多个相似度，获得声纹识别结果。

在一些可能的实现方式中，所述识别模块具体用于：

对所述多个相似度进行排序，确定所述多个相似度的排序结果；

根据所述多个相似度的排序结果，以及所述多个相似度对应的多个入库声纹的说话人标识，获得声纹识别结果。

在一些可能的实现方式中，所述多个声纹识别模型包括第一声纹识别模型和第二声纹识别模型，所述识别模块具体用于：

根据所述待识别声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征和多个入库声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征，计算第一相似度；

以及根据所述待识别声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征和多个入库声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征，计算第二相似度；

根据所述第一相似度以及所述待识别声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征对应的权重，以及所述第二相似度以及所述待识别声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征对应的权重，计算所述待识别声纹的融合声纹特征与声纹库中多个入库声纹的融合声纹特征的多个相似度。

在一些可能的实现方式中，所述装置还包括：

调整模块，用于获取所述待识别声纹所属的业务场景类型；根据所述业务场景类型，调整所述待识别声纹的融合声纹特征中多个声纹特征的权重。

在一些可能的实现方式中，所述待识别声纹的融合声纹特征包括头部分和声纹特征部分，所述确定模块具体用于：

基于多个声纹识别模型，提取所述待识别声纹的多个声纹特征；

根据所述多个声纹识别模型以及所述待识别声纹的多个声纹特征，确定所述待识别声纹的融合声纹特征。

在一些可能的实现方式中，所述确定模块具体用于：

根据所述多个声纹识别模型、所述待识别声纹的多个声纹特征的长度，确定所述待识别声纹的融合声纹特征的头部分，以及根据所述待识别声纹的多个声纹特征，确定所述待识别声纹的融合声纹特征的声纹特征部分。

第三方面，本申请提供了一种服务器。所述服务器包括处理器和存储器，所述存储器中存储有指令，所述处理器执行所述指令，以使所述服务器执行如本申请第一方面或第一方面的任一种实现方式所述的方法。

第四方面，本申请提供了一种计算机可读存储介质。所述计算机可读存储介质中存储有指令，当其在服务器上运行时，使得服务器执行上述第一方面或第一方面的任一种实现方式所述的方法。

第五方面，本申请提供了一种计算机程序产品。所述计算机程序产品包括计算机可读指令，当其在服务器上运行时，使得所述服务器执行上述第一方面或第一方面的任一种实现方式所述的方法。

本申请在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。

基于上述内容描述，可知本申请的技术方案具有如下有益效果：

具体地，该方法首先获取待识别声纹，接着基于多个模型训练方法不同的声纹识别模型，确定待识别声纹的融合声纹特征，然后根据待识别声纹的融合声纹特征以及待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果。该方法利用多个模型训练方法不同的声纹识别模型提取多个声纹特征以形成融合声纹特征，从而根据该融合声纹特征以及多个声纹特征的权重实现声纹识别，如此，可以通过调整声纹特征的权重改进多个声纹识别模型的表现，在不同业务场景下均实现较高的声纹识别准确率。

附图说明

结合附图并参考以下具体实施方式，本申请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为本申请实施例提供的一种声纹识别方法的流程示意图；

图2为本申请实施例提供的一种声纹识别装置的结构示意图；

图3为本申请实施例提供的一种实现声纹识别的服务器的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例，然而应当理解的是，本申请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申请。应当理解的是，本申请的附图及实施例仅用于示例性作用，并非用于限制本申请的保护范围。

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，本申请中提及的“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，本申请中提及的“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”。

为了便于理解本申请的技术方案，下面对本申请中具体的应用场景进行说明。

随着计算机技术，特别是大数据技术的快速发展，声纹识别可应用的业务场景逐渐增加。声纹识别，也可以称为说话人识别，是生物识别技术中的一种。具体地，声纹识别是指对说话人的声纹进行识别，从而辨认或确认说话人身份的过程。在银行业务中，可以利用声纹识别进行身份确认，从而提升银行业务(如银行交易)的安全性。

目前，业界通常会利用声纹识别模型实现声纹识别。具体地，首先利用声纹识别模型可以进行特征提取，再对提取的声纹特征进行模式识别，从而实现声纹识别。然而，该方法仅基于单一的声纹识别模型进行声纹识别，面对复杂的业务场景，在某些业务场景下的声纹识别准确率较低，难以满足不同的业务需求。

基于此，本申请实施例提供了一种声纹识别方法。具体地，该方法首先获取待识别声纹，接着基于多个模型训练方法不同的声纹识别模型，确定待识别声纹的融合声纹特征，然后根据待识别声纹的融合声纹特征以及待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果。

该方法利用多个模型训练方法不同的声纹识别模型提取多个声纹特征以形成融合声纹特征，从而根据该融合声纹特征以及多个声纹特征的权重实现声纹识别，如此，可以通过调整声纹特征的权重改进多个声纹识别模型的表现，在不同业务场景下均实现较高的声纹识别准确率。

接下来，结合附图对本申请实施例提供的声纹识别方法进行详细说明。

参见图1所示的一种声纹识别方法的流程示意图，该方法可以由服务器执行，具体包括如下步骤：

S101：服务器获取待识别声纹。

声纹(voiceprint)是指携带言语信息的声波频谱。声纹具有特定性以及相对稳定性。换言之，一个人的声纹可以保持长期相对稳定不变，因此，声纹可以作为说话人的身份标识。

待识别声纹是指未确定说话人的声纹。具体实现时，服务器可以根据说话人提供的语音，获取待识别声纹。

S102：服务器基于多个声纹识别模型，确定待识别声纹的融合声纹特征。

其中，多个声纹识别模型的模型训练方法不同。例如，声纹识别模型可以包括模板模型(template model)和随机模型(stochastic model)，模板模型可以是基于矢量量化(vector quantization，VQ)方法训练的模型、基于动态时间规整(dynamic time warping，DTW)方法训练的模型，随机模型可以是基于高斯混合(mixture of gaussian，MOG)方法训练的模型、基于隐马尔科夫(hidden markov model，HMM)方法训练的模型。

具体地，服务器可以基于多个声纹识别模型，提取待识别声纹的多个声纹特征，根据多个声纹识别模型以及待识别声纹的多个声纹特征，确定待识别声纹的融合声纹特征。

其中，声纹特征可以包括多种特征。例如是包括声学特征(倒频谱)、词法特征、韵律特征、口音信息等。声纹特征通常利用向量表征，例如声纹特征可以为200维的向量。

在本申请实施例中，通过利用多个不同的声纹识别模型提取声纹特征，并将声纹特征进行融合，获得融合声纹特征，可以充分发挥不同声纹识别模型的优势。例如，不同的声纹识别模型在不同的业务场景下的声纹识别准确率不同，通过融合多个声纹识别模型提取的声纹特征，可以满足不同业务场景下的声纹识别需求。

在一些可能的实现方式中，待识别声纹的融合声纹特征包括头部分和声纹特征部分。服务器可以根据多个声纹识别模型、待识别声纹的多个声纹特征的长度，确定待识别声纹的融合声纹特征的头部分，以及根据待识别声纹的多个声纹特征，确定待识别声纹的融合声纹特征的声纹特征部分。

在一些实施例中，声纹识别模型可以包括声纹识别模型1、声纹识别模型2、声纹识别模型3和声纹识别模型4。如表1所示，融合声纹特征的头部分可以包括一层头部分和二层头部分。在一层头部分中，可以存储融合声纹特征的属性信息，可以包括融合声纹特征的长度、融合声纹特征所使用的声纹识别模型个数，融合声纹特征的各个声纹识别模型的使用情况。例如，若融合声纹特征只使用了声纹识别模型2和声纹识别模型4，融合声纹特征所使用的声纹识别模型个数为2，融合声纹特征的各个声纹识别模型的使用情况为[0,1,0,1]。在二层头部分中，可以存储各个声纹识别模型提取的声纹特征的属性信息，当存在4个声纹识别模型时，二层头部分可以包括4个二层头，以第一个二层头为例，可以包括声纹识别模型1提取的声纹特征的长度、声纹识别模型1提取的声纹特征在融合声纹特征中的起始位置。进一步地，声纹特征部分可以包括利用声纹识别模型1、声纹识别模型2、声纹识别模型3和声纹识别模型4提取的声纹特征。

表1

在本申请实施例中，融合声纹特征中可以包括融合声纹特征的整体属性信息以及多个声纹特征的属性信息，如此，可以清晰直观地对融合声纹特征的相关信息进行存储，便于后续利用融合声纹特征进行声纹识别。

S103：服务器根据待识别声纹的融合声纹特征以及待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果。

其中，声纹库中包括多个入库声纹以及多个入库声纹的融合声纹特征，多个入库声纹的融合声纹特征是基于多个声纹识别模型确定的。入库声纹的融合声纹特征可以基于S102中所给出的方法进行确定，在此不再赘述。

具体实现时，服务器可以根据待识别声纹的融合声纹特征以及待识别声纹的融合声纹特征中多个声纹特征的权重，计算待识别声纹的融合识别特征与声纹库中多个入库声纹的融合声纹特征的多个相似度，根据多个相似度获得声纹识别结果。

其中，权重可以根据实际情况进行设置。例如，声纹识别模型1、声纹识别模型2、声纹识别模型3和声纹识别模型4提取的声纹特征的权重可以为[0.25,0.25,0.25,0.25]。

在本申请实施例中，待识别声纹的融合声纹特征以及声纹库中入库声纹的融合声纹特征均是基于多个声纹识别模型确定的，从而能够解决基于单一声纹识别模型进行声纹识别时难以满足不同业务场景的缺陷，提升声纹识别的准确率。

具体地，多个声纹识别模型可以包括第一声纹识别模型和第二声纹识别模型，服务器可以根据待识别声纹的融合声纹特征中基于第一声纹识别模型提取的声纹特征和多个入库声纹的融合声纹特征中基于第一声纹识别模型提取的声纹特征，计算第一相似度，以及根据待识别声纹的融合声纹特征中基于第二声纹识别模型提取的声纹特征和多个入库声纹的融合声纹特征中基于第二声纹识别模型提取的声纹特征，计算第二相似度，然后根据第一相似度以及待识别声纹的融合声纹特征中基于第一声纹识别模型提取的声纹特征对应的权重，以及第二相似度以及待识别声纹的融合声纹特征中基于第二声纹识别模型提取的声纹特征对应的权重，计算待识别声纹的融合声纹特征与声纹库中多个入库声纹的融合声纹特征的多个相似度。在一些实施例中，第一相似度和第二相似度可以用余弦距离表征，通过余弦距离以及对应的权重，可以获得多个相似度。

在本申请实施例中，通过对不同的声纹特征赋予不同的权重，可以提升多个声纹识别模型的识别效果，从而提升声纹识别准确率。

进一步地，服务器可以对多个相似度进行排序，确定多个相似度的排序结果，根据多个相似度的排序结果，以及多个相似度对应的多个入库声纹的说话人标识，获得声纹识别结果。

其中，说话人标识可以用于表明说话人的身份，例如，说话人标识可以为说话人的身份标识号(identity document，ID)。声纹识别结果可以包括根据多个相似度的排序结果进行排序后的说话人标识。

在本申请实施例中，通过对多个相似度进行排序，可以获得多个相似度对应的入库声纹与待识别声纹匹配程度的排序情况，从而可以根据多个相似度对应的入库声纹的说话人标识，向用户直观展示声纹识别结果。

在一些可能的实现方式中，服务器还可以获取待识别声纹所属的业务场景类型，根据该业务场景类型，调整待识别声纹的融合声纹特征中多个声纹特征的权重。其中，业务场景类型可以用于描述待识别声纹产生的业务场景，如银行业务场景。具体地，可以将在该业务场景类型中识别效果较好的声纹识别模型对应的声纹特征的权重增大，从而提升在该业务场景下的声纹识别的准确率。

在本申请实施例中，可以根据业务场景类型调整权重，从而提升在不同业务场景下的声纹识别准确率，解决了基于单一声纹识别模型难以满足复杂业务场景或不同业务场景切换时声纹识别的缺陷。

该方法首先获取待识别声纹，接着基于多个模型训练方法不同的声纹识别模型，确定待识别声纹的融合声纹特征，然后根据待识别声纹的融合声纹特征以及待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果。

该方法利用多个模型训练方法不同的声纹识别模型提取多个声纹特征以形成融合声纹特征，从而根据该融合声纹特征以及多个声纹特征的权重实现声纹识别，如此，可以通过调整声纹特征的权重改进多个声纹识别模型的表现，在不同业务场景下均实现较高的声纹识别准确率。

基于本申请实施例提供的上述方法，本申请实施例还提供了与上述方法对应的声纹识别装置。描述于本申请实施例中所涉及到的单元/模块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/模块的名称在某种情况下并不构成对该单元/模块本身的限定。

参见图2所示的声纹识别装置的结构示意图，该装置200包括：

获取模块201，用于获取待识别声纹；

确定模块202，用于基于多个声纹识别模型，确定所述待识别声纹的融合声纹特征，所述多个声纹识别模型的模型训练方法不同，所述融合声纹特征中包括基于所述多个声纹识别模型提取的所述待识别声纹的多个声纹特征；

识别模块203，用于根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果，所述声纹库中包括多个入库声纹以及所述多个入库声纹的融合声纹特征，所述多个入库声纹的融合声纹特征是基于所述多个声纹识别模型确定的。

在一些可能的实现方式中，所述识别模块203具体用于：

根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，计算所述待识别声纹的融合声纹特征与声纹库中多个入库声纹的融合声纹特征的多个相似度；

根据所述多个相似度，获得声纹识别结果。

在一些可能的实现方式中，所述识别模块203具体用于：

对所述多个相似度进行排序，确定所述多个相似度的排序结果；

根据所述多个相似度的排序结果，以及所述多个相似度对应的多个入库声纹的说话人标识，获得声纹识别结果。

在一些可能的实现方式中，所述多个声纹识别模型包括第一声纹识别模型和第二声纹识别模型，所述识别模块203具体用于：

根据所述待识别声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征和多个入库声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征，计算第一相似度；

以及根据所述待识别声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征和多个入库声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征，计算第二相似度；

根据所述第一相似度以及所述待识别声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征对应的权重，以及所述第二相似度以及所述待识别声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征对应的权重，计算所述待识别声纹的融合声纹特征与声纹库中多个入库声纹的融合声纹特征的多个相似度。

在一些可能的实现方式中，所述装置还包括：

调整模块，用于获取所述待识别声纹所属的业务场景类型；根据所述业务场景类型，调整所述待识别声纹的融合声纹特征中多个声纹特征的权重。

在一些可能的实现方式中，所述待识别声纹的融合声纹特征包括头部分和声纹特征部分，所述确定模块202具体用于：

基于多个声纹识别模型，提取所述待识别声纹的多个声纹特征；

根据所述多个声纹识别模型以及所述待识别声纹的多个声纹特征，确定所述待识别声纹的融合声纹特征。

在一些可能的实现方式中，所述确定模块202具体用于：

根据所述多个声纹识别模型、所述待识别声纹的多个声纹特征的长度，确定所述待识别声纹的融合声纹特征的头部分，以及根据所述待识别声纹的多个声纹特征，确定所述待识别声纹的融合声纹特征的声纹特征部分。

根据本申请实施例的声纹识别装置200可对应于执行本申请实施例中描述的方法，并且声纹识别装置200的各个模块/单元的上述和其它操作和/或功能分别为了实现图1所示实施例中的各个方法的相应流程，为了简洁，在此不再赘述。

本发明提供的声纹识别方法可用于大数据领域或金融领域，上述领域仅为示例，并不对本发明提供的声纹识别方法的应用领域进行限定。

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。参见图3所示的实现声纹识别的服务器300的结构示意图，需要说明的是，图3所示的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图3所示，服务器300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中，还存储有服务器300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许服务器300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的服务器300，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。

本申请还提供一种计算机可读存储介质，也称作机器可读介质。在本申请的上下文中，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。

需要说明的是，本申请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。在本申请中，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。而在本申请中，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。

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服务器执行时，使得服务器：获取待识别声纹；基于多个声纹识别模型，确定所述待识别声纹的融合声纹特征；根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果。

特别地，根据本申请的实施例，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，本申请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从网络上被下载和安装，或者从存储装置被安装。在该计算机程序被处理装置执行时，执行本申请实施例的方法中限定的上述功能。

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。

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申请的范围的限制。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。

以上描述仅为本申请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，本申请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。例如上述特征与本申请中公开的(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。

Claims (10)

1.一种声纹识别方法，其特征在于，所述方法包括：

获取待识别声纹；

基于多个声纹识别模型，确定所述待识别声纹的融合声纹特征，所述多个声纹识别模型的模型训练方法不同，所述待识别声纹的融合声纹特征中包括基于所述多个声纹识别模型提取的所述待识别声纹的多个声纹特征；

根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果，所述声纹库中包括多个入库声纹以及所述多个入库声纹的融合声纹特征，所述多个入库声纹的融合声纹特征是基于所述多个声纹识别模型确定的。

2.根据权利要求1所述的方法，其特征在于，所述根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果，包括：

根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，计算所述待识别声纹的融合声纹特征与声纹库中多个入库声纹的融合声纹特征的多个相似度；

根据所述多个相似度，获得声纹识别结果。

3.根据权利要求2所述的方法，其特征在于，所述根据所多个述相似度，获得声纹识别结果，包括：

对所述多个相似度进行排序，确定所述多个相似度的排序结果；

根据所述多个相似度的排序结果，以及所述多个相似度对应的多个入库声纹的说话人标识，获得声纹识别结果。

4.根据权利要求2所述的方法，其特征在于，所述多个声纹识别模型包括第一声纹识别模型和第二声纹识别模型，所述根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，计算所述待识别声纹的融合声纹特征与声纹库中多个入库声纹的融合声纹特征的多个相似度，包括：

根据所述待识别声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征和多个入库声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征，计算第一相似度；

以及根据所述待识别声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征和多个入库声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征，计算第二相似度；

根据所述第一相似度以及所述待识别声纹的融合声纹特征中基于所述第一声纹识别模型提取的声纹特征对应的权重，以及所述第二相似度以及所述待识别声纹的融合声纹特征中基于所述第二声纹识别模型提取的声纹特征对应的权重，计算所述待识别声纹的融合声纹特征与声纹库中多个入库声纹的融合声纹特征的多个相似度。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述待识别声纹所属的业务场景类型；

根据所述业务场景类型，调整所述待识别声纹的融合声纹特征中多个声纹特征的权重。

6.根据权利要求1所述的方法，其特征在于，所述基于多个声纹识别模型，确定所述待识别声纹的融合声纹特征，包括：

基于所述多个声纹识别模型，提取所述待识别声纹的多个声纹特征；

根据所述多个声纹识别模型以及所述待识别声纹的多个声纹特征，确定所述待识别声纹的融合声纹特征。

7.根据权利要求6所述的方法，其特征在于，所述待识别声纹的融合声纹特征包括头部分和声纹特征部分，所述根据所述多个声纹识别模型以及所述待识别声纹的多个声纹特征，确定所述待识别声纹的融合声纹特征，包括：

根据所述多个声纹识别模型、所述待识别声纹的多个声纹特征的长度，确定所述待识别声纹的融合声纹特征的头部分，以及根据所述待识别声纹的多个声纹特征，确定所述待识别声纹的融合声纹特征的声纹特征部分。

8.一种声纹识别装置，其特征在于，所述装置包括：

获取模块，用于获取待识别声纹；

确定模块，用于基于多个声纹识别模型，确定所述待识别声纹的融合声纹特征，所述多个声纹识别模型的模型训练方法不同，所述融合声纹特征中包括基于所述多个声纹识别模型提取的所述待识别声纹的多个声纹特征；

识别模块，用于根据所述待识别声纹的融合声纹特征以及所述待识别声纹的融合声纹特征中多个声纹特征的权重，在声纹库中进行匹配，获得声纹识别结果，所述声纹库中包括多个入库声纹以及所述多个入库声纹的融合声纹特征，所述多个入库声纹的融合声纹特征是基于所述多个声纹识别模型确定的。

9.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有指令，所述处理器执行所述指令，以使所述服务器执行如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，包括计算机可读指令，当所述计算机可读指令在服务器上运行时，使得所述服务器执行如权利要求1至7中任一项所述的方法。