WO2020073519A1 - 声纹验证的方法、装置、计算机设备以及存储介质 - Google Patents

声纹验证的方法、装置、计算机设备以及存储介质 Download PDF

Info

Publication number
WO2020073519A1
WO2020073519A1 PCT/CN2018/124402 CN2018124402W WO2020073519A1 WO 2020073519 A1 WO2020073519 A1 WO 2020073519A1 CN 2018124402 W CN2018124402 W CN 2018124402W WO 2020073519 A1 WO2020073519 A1 WO 2020073519A1
Authority
WO
WIPO (PCT)
Prior art keywords
voiceprint
feature
voiceprint feature
vector
distance value
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.)
Ceased
Application number
PCT/CN2018/124402
Other languages
English (en)
French (fr)
Inventor
杨翘楚
王健宗
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Publication of WO2020073519A1 publication Critical patent/WO2020073519A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
    • 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
    • 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
    • G10L17/16—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
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
    • 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
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum

Definitions

  • the present application relates to the field of voiceprint verification, in particular to a method, device, computer equipment and storage medium for voiceprint verification.
  • the main purpose of this application is to provide a method of voiceprint verification, which aims to solve the problem that the voice data collected by the client needs to be sent to the background for voiceprint feature extraction in the existing voiceprint verification process, resulting in poor confidentiality of the voice data in transmission technical problem.
  • This application proposes a method for voiceprint verification, including:
  • the voiceprint verification server receives the first voiceprint feature sent by the client server
  • the voiceprint verification server judges whether the feature distance value between the voiceprint discrimination vector i-vector corresponding to the first voiceprint feature and the pre-stored voiceprint feature meets the preset requirements;
  • the first voiceprint feature is the same as the pre-stored voiceprint feature, otherwise it is not the same.
  • This application also provides a voiceprint verification system, including a client, a client server, and a voiceprint verification server;
  • the client collects the voice signal of the identity to be verified, and sends the voice signal to the client server;
  • the client server receives the voice signal, extracts voiceprint features from the voice signal to obtain a first voiceprint feature, and transmits the first voiceprint feature to the voiceprint verification server;
  • the voiceprint verification server receives the first voiceprint feature, and compares the first voiceprint feature with a pre-stored voiceprint feature to determine whether the first voiceprint feature and the pre-stored voiceprint feature The same, and feedback the judgment result to the client server;
  • the client server controls the client to perform a feedback response according to the judgment result.
  • the present application also provides a computer device, including a memory and a processor, where the memory stores a computer program, and when the processor executes the computer program, the steps of the foregoing method are implemented.
  • the present application also provides a computer non-volatile readable storage medium on which a computer program is stored, which when executed by a processor implements the steps of the above method.
  • the function of extracting the voiceprint feature vector is forwarded to the client server.
  • the voiceprint feature vector of the voice signal is directly extracted from the local client server, and then the voiceprint feature vector is extracted.
  • the verification server of third-party technical support for voiceprint verification the training of voiceprint verification model and speaker recognition process, because the voiceprint feature vector can no longer be reversed to restore the original data of the voice signal, which is conducive to the recording of customers
  • the voice signal is used for data confidentiality, which improves data security and improves the security of the customer's identity authentication process.
  • the data after extracting the voiceprint feature vector is transmitted to the server for voiceprint verification.
  • the voiceprint feature vector data is more portable than the original voice signal data, which greatly increases the transmission efficiency.
  • the present application is based on GMM-UBM to realize the mapping of each of the voiceprint feature vectors into low-dimensional voiceprint identification vectors i-vector, which reduces the calculation cost and reduces the cost of voiceprint verification.
  • the verification process by comparing and analyzing with the pre-stored data of multiple people, the equivalence rate of voiceprint verification is reduced, and the influence of the model errors of voiceprint verification is reduced.
  • FIG. 1 is a schematic flowchart of a method for voiceprint verification according to an embodiment of the present application
  • FIG. 2 is a schematic diagram of an internal structure of a computer device according to an embodiment of the present application.
  • a method of voiceprint verification collects information through a client and performs voiceprint verification through a server.
  • the method includes:
  • the MFCC (Mel Frequency Cepstrum Coefficient) type voiceprint feature of this embodiment has a non-linear feature, so that the analysis result of the customer's voice signal in each frequency band is closer to the characteristics of the real voice emitted by the human body, improving The effect of voiceprint verification.
  • the client server is used to construct the MFCC-type voiceprint feature into voiceprint feature vectors corresponding to each frame of voice data to form a first voiceprint feature.
  • the voiceprint feature vector corresponding to each frame of voice data is constructed according to the extracted MFCC type voiceprint features, and then the corresponding MFCC type voiceprint features are combined together by sorting the voice data of each frame of the voice signal to obtain The first voiceprint feature corresponding to the client's voice signal is still completed on the client server to enhance data confidentiality during data transmission.
  • the voiceprint verification server receives the first voiceprint feature sent by the client server.
  • the extraction of the first voiceprint feature is forwarded to the client server for completion, so that the client server directly extracts the first voiceprint feature corresponding to the voice signal on the client server after receiving the recorded voice signal of the client. Then transfer to the voiceprint verification server supported by the third party for voiceprint verification. Because the first voiceprint feature can no longer be restored to the original voice signal by reverse push, it is conducive to data confidentiality of the voice signal recorded by the customer, improves data security, and improves the security of the customer identity authentication process. At the same time, the first A voiceprint feature has a smaller data volume than a voice signal, greatly increasing transmission efficiency.
  • the voiceprint feature is extracted from the collected voice signal through the client server, and the extracted voiceprint feature is transmitted to the voiceprint verification server for voiceprint verification, so that the client server and voiceprint verification server for voiceprint feature extraction are separated.
  • the voiceprint verification server determines whether the feature distance value between the voiceprint identification vector i-vector corresponding to the first voiceprint feature and the pre-stored voiceprint feature respectively meets the preset requirements.
  • the preset requirements in this embodiment include that the characteristic distance value reaches a specified preset threshold range, etc., and can be customized according to specific application scenarios to meet the personalized usage requirements more widely.
  • the server passes the verification result to the client through the server; otherwise, the verification failure result is fed back to the client, so that the client Perform further application operations based on the feedback results. For example, after the verification is passed, the smart door is controlled to open, etc. As another example, after a specified number of verification failures, the security system is controlled to lock the screen to prevent criminals from further damaging the electronic banking system.
  • step S4 of this embodiment includes:
  • This embodiment is based on GMM-UBM (Gaussian Mixture Model-Universal Background Model, Gaussian Mixture Model-Background Model) realizes the mapping of voiceprint feature vectors corresponding to each frame of speech data into low-dimensional voiceprint discrimination vectors i-vector.
  • the training process of the GMM-UBM in this embodiment is as follows: B1: Obtain a preset number of voice data samples (for example, 100,000), each voice data sample corresponds to a voiceprint discrimination vector, and each voice sample can be collected from a different People's speech in different environments, such speech data samples are used to train a general background model (GMM-UBM) that can characterize the general speech characteristics; B2.
  • GMM-UBM General Background model
  • each speech data sample separately to extract the correspondence of each speech data sample
  • Voiceprint features of the preset type and construct voiceprint feature vectors corresponding to each voice data sample based on the preset voiceprint features corresponding to each voice data sample
  • B3. Divide all the constructed voiceprint feature vectors of the preset types into The first percentage of the training set and the second percentage of the verification set, the first percentage and the second percentage are less than or equal to 100%
  • B4 using the voiceprint feature vector in the training set
  • the second model is trained, and after the training is completed, a verification set is used to verify the accuracy of the trained second model; B5.
  • the model training ends, otherwise, increasing the number of samples of voice data, and re-execute the above-described step B2, B3, B4, B5 based on the voice data samples increases.
  • the preset standard Rate e.g., 98.5%
  • the voiceprint discrimination vector of this embodiment is expressed by the voiceprint discrimination vector i-vector.
  • the voiceprint discrimination vector i-vector is a vector. Compared with the dimension of the Gaussian space, the voiceprint discrimination vector i-vector has a lower dimension, which Reduce computing costs.
  • the preset conditions in this embodiment include that the cosine distance value is within a specified threshold value range, etc., which can be set as needed.
  • the preset sorting is determined as Whether the first few first cosine distance values include the first cosine distance value corresponding to the target person's pre-stored voiceprint feature, and if so, it is determined that the cosine distance value satisfies the preset condition.
  • the cosine distance value is determined Meet the preset conditions.
  • step S41 of this embodiment includes:
  • S410 Input voiceprint feature vectors corresponding to each frame of extracted speech data to the GMM-UBM model, respectively, to obtain a Gaussian supervector representing the probability distribution of each frame of speech data on each Gaussian component.
  • S411 use the above-mentioned Gaussian supervectors using formulas ,
  • the low-dimensional voiceprint discrimination vector i-vector corresponding to each frame of speech data is calculated, where Is the Gaussian supervector of each frame of voice data, ⁇ is the mean supervector of the GMM-UBM model, and T is the low-dimensional voiceprint discrimination vector i-vector of each frame of voice data, It is a transformation matrix mapped into a high-dimensional Gaussian space.
  • EM algorithm refers to the maximum expectation algorithm (Expectation Maximization Algorithm, also known as Expectation Maximization Algorithm), is an iterative algorithm used in statistics to find the maximum likelihood estimation of parameters in probability models that depend on unobservable implicit variables.
  • the maximum expectation algorithm is calculated alternately through two steps: 1) calculate the expectation (E), use the existing estimates of the probability model parameters to calculate the expectation of the hidden variable; 2) maximize (M), use the E Hidden variable expectation and maximum likelihood estimation of the parameter model.
  • E expectation
  • M maximize
  • step S43 of this embodiment includes:
  • S430 Obtain the first cosine distance value between the pre-stored voiceprint features corresponding to each of the pre-stored voiceprint feature data and the first voiceprint feature, wherein the voiceprint feature data of multiple people includes Pre-stored voiceprint features of the target person.
  • the pre-stored voiceprint feature data of multiple persons including the target person is used to determine whether the voiceprint feature of the currently collected voice signal is the same as the target person's voiceprint feature, so as to improve the judgment accuracy.
  • This embodiment uses the cosine distance formula , Representing the first cosine distance value between each of the pre-stored voiceprint features and the first voiceprint feature, where x represents each prestored voiceprint discrimination vector, and y represents the voiceprint discrimination vector of the first voiceprint feature In i-vector, the smaller the cosine distance value, it means that the two voiceprint features are closer or the same.
  • the "first" in this embodiment is only used for distinction, not for limitation, and the functions in other places are the same, and will not be repeated.
  • S431 Sort the first cosine distance values in ascending order.
  • the first cosine distance value between each of the pre-stored voiceprint features and the first voiceprint feature is sorted from small to large, so as to more accurately analyze the first voiceprint feature and each pre-stored voiceprint The similarity distribution state of the feature, so as to obtain the verification of the first voiceprint feature more accurately.
  • S432 Determine whether the first cosine distance value of the preset preset number includes the first cosine distance value corresponding to the pre-stored voiceprint feature of the target person.
  • the first predetermined number of first cosine distance values include the first cosine distance value corresponding to the pre-stored voiceprint feature of the target person, and then the first voiceprint feature and the pre-stored target person are determined.
  • the voiceprint features are the same, to reduce the recognition error rate caused by model errors.
  • the above error rate is "the frequency of verification failures that should occur when the verification is passed, and the frequency of verification passes that occur when the verification should be failed. ".
  • the preset number of first cosine distance values in this embodiment includes 1, 2, or 3, etc., which can be set according to usage requirements.
  • step S43 of another embodiment of the present application includes:
  • S434 Obtain a second cosine distance value between the pre-stored voiceprint feature of the target person and the first voiceprint feature.
  • S435 Determine whether the second cosine distance value is less than or equal to a preset threshold.
  • the preset threshold is 0.6.
  • the cosine distance between the first voiceprint feature and the target user's pre-stored voiceprint feature is calculated to be less than or equal to a preset threshold, then the cosine distance value is determined to satisfy the preset condition, and the first voiceprint feature and the target user's pre-stored voiceprint are determined. If the features are the same, the verification is passed; if the cosine distance between the first voiceprint feature and the pre-stored voiceprint feature of the target user is greater than a preset threshold, it is determined that the distance value does not satisfy the preset condition, and the first voiceprint feature and the target are determined If the user's pre-stored voiceprint features are different, the verification fails.
  • This application also provides a voiceprint verification system, including a client, a client server, and a voiceprint verification server;
  • the client collects the voice signal of the identity to be verified and sends the voice signal to the client server;
  • the client server receives the voice signal, extracts voiceprint features from the voice signal to obtain a first voiceprint feature, and transmits the first voiceprint feature to the voiceprint verification server;
  • the voiceprint verification server receives the first voiceprint feature, and compares the first voiceprint feature with a pre-stored voiceprint feature to determine whether the first voiceprint feature and the pre-stored voiceprint feature The same, and feedback the judgment result to the client server;
  • the client server controls the client to perform a feedback response according to the judgment result.
  • the continuous analog signal of the voice signal in this embodiment is sampled by the client according to a specified sampling period to form a discrete analog signal, and specified encoding rules are quantized into digital signals; the client server receives the voice signal
  • the process of extracting voiceprint features from the voice signal to obtain the first voiceprint features is as follows:
  • pre-emphasis due to the physiological characteristics of the human body, the high-frequency components of the voice signal are often suppressed, the role of pre-emphasis is to compensate for the high-frequency components; in the above frame processing, due to the "instant stability" of the voice signal, spectrum analysis
  • a voice signal is framed (usually 10 to 30 milliseconds per frame)
  • feature extraction is performed in units of frames; after the above framed processing, windowing is performed to reduce the signal at the beginning and end of the frame
  • this embodiment uses a Hamming window for windowing.
  • the function of extracting the voiceprint feature vector is forwarded to the client server.
  • the client collects the voice signal through recording
  • the voiceprint feature vector of the voice signal is directly extracted from the local client server, and then the voiceprint feature is extracted.
  • the vector is transmitted to a third-party technical support verification server for voiceprint verification.
  • the training of the voiceprint verification model and the speaker recognition process because the voiceprint feature vector can no longer be reversed and restored to the original data of the voice signal, is conducive to recording customers
  • the voice signal is used to keep data confidential, improve data security, and improve the security of the customer's identity authentication process.
  • the data after extracting the voiceprint feature vector is transmitted to the server for voiceprint verification.
  • the voiceprint feature vector data is more portable than the original voice signal data, which greatly increases the transmission efficiency.
  • each of the voiceprint feature vectors is mapped to a low-dimensional voiceprint discrimination vector i-vector, which reduces the calculation cost and the use cost of voiceprint verification.
  • the verification process by comparing and analyzing with the pre-stored data of multiple people, the equivalence rate of voiceprint verification is reduced, and the influence of the model errors of voiceprint verification is reduced.
  • the judgment result includes that the first voiceprint feature is not the same as the pre-stored voiceprint feature
  • the client server controlling the feedback response process of the client according to the judgment result includes:
  • the client server generates feedback information about unsuccessful authentication and sends it to the client;
  • the client is controlled to be in a disabled state and an alarm is issued.
  • the voiceprint verification system includes an alarm and a safety control device to enhance the functional completeness of the voiceprint verification system in the actual application process and improve management security and information security.
  • an embodiment of the present application further provides a computer device.
  • the computer device may be a server, and its internal structure may be as shown in FIG. 2.
  • the computer device includes a processor, memory, network interface, and database connected by a system bus. Among them, the processor designed by the computer is used to provide computing and control capabilities.
  • the memory of the computer device includes a non-volatile storage medium and an internal memory.
  • the non-volatile storage medium stores an operating system, computer-readable instructions, and a database.
  • the memory device provides an environment for the operation of the operating system and computer-readable instructions in the non-volatile storage medium.
  • the database of the computer device is used to store data such as voiceprint verification.
  • the network interface of the computer device is used to communicate with external terminals through a network connection.
  • FIG. 2 is only a block diagram of a part of the structure related to the solution of the present application, and does not constitute a limitation on the computer device to which the solution of the present application is applied.
  • An embodiment of the present application further provides a computer nonvolatile readable storage medium on which computer readable instructions are stored.
  • the processes of the foregoing method embodiments are performed.
  • the above is only the preferred embodiment of the present application, and does not limit the patent scope of the present application. Any equivalent structure or equivalent process transformation made by the description and drawings of this application, or directly or indirectly used in other related In the technical field, the same reason is included in the scope of patent protection of this application.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Collating Specific Patterns (AREA)

Abstract

一种声纹验证的方法，包括：通过客户端服务器提取待验证身份的语音信号，并提取对应的MFCC类型声纹特征并构建成各帧语音数据对应的第一声纹特征；声纹验证服务器接收第一声纹特征；声纹验证服务器判断第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值是否满足预设要求；若满足，则判定第一声纹特征与预存声纹特征相同。

Description

声纹验证的方法、装置、计算机设备以及存储介质
本申请要求于2018年10月11日提交中国专利局、申请号为2018111847753，发明名称为“声纹验证的方法、装置、计算机设备以及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及到声纹验证领域，特别是涉及到声纹验证的方法、装置、计算机设备以及存储介质。
 背景技术
目前，很多大型金融公司的业务范围涉及保险、银行、投资等多个业务范畴，而每个业务范畴通常都需要同客户进行沟通，且都需要进行反欺诈识别，因此，对客户的身份验证及反欺诈识别也就成为保证业务安全的重要组成部分。在客户身份验证环节中，声纹验证由于其具有的实时性和方便性而被许多公司采用。客户声纹模型的训练和客户身份的验证需要采集客户的语音数据，而语音数据的获得往往来源于金融公司与客户的谈话录音。发明人意识到，由于商业洽谈往往涉及机密内容，将语音数据由网络传输到后台再进行语音特征参数的提取不利于数据保密性。
 技术问题
本申请的主要目的为提供声纹验证的方法，旨在解决现有声纹验证过程中需将客户端采集的语音数据发送至后台进行声纹特征提取，导致传输中语音数据的保密性较差的技术问题。
 技术解决方案
本申请提出一种声纹验证的方法，包括：
通过客户端服务器提取待验证身份的语音信号，并提取所述语音信号中各帧语音数据分别对应的MFCC类型声纹特征；
通过所述客户端服务器将所述MFCC类型声纹特征构建成各帧语音数据分别对应的声纹特征向量，以形成第一声纹特征；
声纹验证服务器接收所述客户端服务器发送的所述第一声纹特征；
声纹验证服务器判断所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值是否满足预设要求；
若满足，则判定所述第一声纹特征与所述预存声纹特征相同，否则不相同。
本申请还提供了一种声纹验证系统，包括客户端、客户端服务器和声纹验证服务器；
所述客户端采集待验证身份的语音信号，并将所述语音信号发送到所述客户端服务器；
所述客户端服务器接收所述语音信号，并对所述语音信号进行声纹特征提取得到第一声纹特征，将第一声纹特征传输至声纹验证服务器；
所述声纹验证服务器接收所述第一声纹特征，并将所述第一声纹特征与预存声纹特征进行比较分析，以判断所述第一声纹特征与所述预存声纹特征是否相同，并将判断结果反馈至所述客户端服务器；
所述客户端服务器根据所述判断结果控制所述客户端进行反馈响应。
本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供了一种计算机非易失性可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
 有益效果
本申请将声纹特征向量提取的功能前置到客户端服务器上完成，客户端通过录音采集语音信号后直接在本地的客户端服务器提取语音信号的声纹特征向量，然后再将声纹特征向量传输至第三方技术支持的验证服务器上进行声纹验证，声纹验证模型的训练和说话人辨认过程，由于声纹特征向量无法再反推还原为语音信号的原始数据，有利于对客户录音的语音信号进行数据保密，提高数据安全性，使客户身份认证流程的安全性得到了提高。本申请通过提取声纹特征向量后的数据传输至服务器进行声纹验证，声纹特征向量数据比原始语音信号数据更为轻便，大大增加了传输效率。本申请基于GMM-UBM实现将各所述声纹特征向量分别映射为低维度的声纹鉴别向量i-vector，降低计算成本，降低声纹验证的使用成本。在验证过程中通过与多人的预存数据进行比较分析，降低声纹验证的等错率，降低声纹验证的模型误差带来的影响。
 附图说明
图1 本申请一实施例的声纹验证的方法流程示意图；
图2本申请一实施例的计算机设备内部结构示意图。
 本发明的最佳实施方式
参照图1，本申请一实施例的声纹验证的方法，通过客户端采集信息，通过服务器进行声纹验证，方法包括：
S1：通过客户端服务器提取待验证身份的语音信号，并提取所述语音信号中各帧语音数据分别对应的MFCC类型声纹特征。
本实施例的MFCC（Mel Frequency Cepstrum Coefficient,梅尔频率倒谱系数）类型声纹特征具有非线性特征，使客户的语音信号在各频段上的分析结果更贴近人体发出的真实语音的特征，提高声纹验证的效果。
S2：通过所述客户端服务器将所述MFCC类型声纹特征构建成各帧语音数据分别对应的声纹特征向量，以形成第一声纹特征。
本实施例根据提取的MFCC类型声纹特征构建各帧语音数据分别对应的声纹特征向量，然后通过语音信号的各帧语音数据的排序，将分别对应的MFCC类型声纹特征组合在一起，得到客户的语音信号对应的第一声纹特征，上述构建过程依然在客户端服务器完成，以增强数据传输过程中的数据保密性。
S3：声纹验证服务器接收所述客户端服务器发送的所述第一声纹特征。
本实施例将第一声纹特征的提取工作前置到客户端服务器完成，以便客户端服务器接收录音采集的客户的语音信号后，直接在客户端服务器提取语音信号对应的第一声纹特征，然后再传输至第三方技术支持的声纹验证服务器进行声纹验证。由于第一声纹特征无法再通过反推还原为原始的语音信号，有利于对客户录音的语音信号进行数据保密，提高数据安全性，使客户身份认证流程的安全性得到了提高，同时，第一声纹特征比语音信号数据量更小，大大增加了传输效率。通过客户端服务器对采集的语音信号提取声纹特征，将提取后的声纹特征传输至声纹验证服务器进行声纹验证，使声纹特征提取的客户端服务器和声纹验证服务器进行分离。
S4：声纹验证服务器判断所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值是否满足预设要求。
本实施例的预设要求包括特征距离值达到指定的预设阈值范围等，可根据具体的应用场景进行自定义设定，以更广泛地满足个性化使用需求。
S5：若满足，则判定第一声纹特征与预存声纹特征相同，否则不相同。
本实施例将判定所述第一声纹特征与所述预存声纹特征相同，则通过服务器向客户端反馈验证通过的结果到客户端，否则，反馈验证失败的结果到客户端，以便客户端根据反馈结果进行进一步的应用操作。举例地，验证通过后控制智能门打开等。再举例地，验证失败指定次数后控制安全系统进行锁屏，以防犯罪分子进一步破坏电子银行系统。
进一步地，本实施例的步骤S4，包括：
S41：将各帧语音数据分别对应的声纹特征向量分别映射为低维度的声纹鉴别向量i-vector。
本实施例基于GMM-UBM（Gaussian Mixture Model-Universal Background Model，高斯混合模型-背景模型）实现将各帧语音数据分别对应的声纹特征向量分别映射为低维度的声纹鉴别向量i-vector。本实施例的GMM-UBM的训练过程如下：B1：获取预设数量（例如，10万个）的语音数据样本，每个语音数据样本对应一个声纹鉴别向量，每个语音样本可以采集自不同的人在不同环境中的语音，这样的语音数据样本用来训练能够表征一般语音特性的通用背景模型（GMM-UBM）；B2、分别对各个语音数据样本进行处理以提取出各个语音数据样本对应的预设类型声纹特征，并基于各个语音数据样本对应的预设类型声纹特征构建各个语音数据样本对应的声纹特征向量；B3、将构建出的所有预设类型声纹特征向量分为第一百分比的训练集和第二百分比的验证集，所述第一百分比和第二百分比之后小于或等于100%；B4、利用训练集中的声纹特征向量对所述第二模型进行训练，并在训练完成之后利用验证集对训练的所述第二模型的准确率进行验证；B5、若准确率大于预设准确率（例如，98.5%），则模型训练结束，否则，增加语音数据样本的数量，并基于增加后的语音数据样本重新执行上述步骤B2、B3、B4、B5。
本实施例的声纹鉴别向量采用声纹鉴别向量i-vector表达，声纹鉴别向量i-vector是一个向量，相对于高斯空间的维度来讲，声纹鉴别向量i-vector维度更低，便于降低计算成本。
[援引加入(细则20.5) 01.02.2019]　
S42：通过余弦距离公式
Figure WO-DOC-FIGURE-1
，计算第一声纹特征对应的声纹鉴别向量i-vector与预存声纹特征对应的声纹鉴别向量i-vector之间的距离值，其中，x代表预存声纹特征对应的声纹鉴别向量i-vector，y代表第一声纹特征对应的声纹鉴别向量i-vector。
S43：判断所述余弦距离值是否满足预设条件。
本实施例的预设条件包括余弦距离值在指定的阈值范围内等，可根据需要设定。本实施例通过将预存的多个人的声纹特征数据中各自对应的预存声纹特征与所述第一声纹特征分别计算的第一余弦距离值进行从小到大排序，判断预设排序在前的几个第一余弦距离值中是否包括目标人的预存声纹特征对应的第一余弦距离值，若包括则判定余弦距离值满足预设条件。本申请另一实施例通过判断目标人的预存声纹特征与所述第一声纹特征之间的第二余弦距离值是否小于或等于预设阈值，若小于或等于，则判定余弦距离值满足预设条件。
S44：若所述余弦距离值满足预设条件，则判定所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值满足预设要求，否则不满足预设要求。
进一步地，本实施例的步骤S41，包括：
S410：将提取得到的各帧语音数据分别对应的声纹特征向量分别输入到GMM-UBM模型，得到表征各帧语音数据在各高斯分量上的概率分布的高斯超向量。
[援引加入(细则20.5) 01.02.2019]　
S411：将各所述高斯超向量利用公式
Figure WO-DOC-FIGURE-2
，计算得到各帧语音数据分别对应的低维度的声纹鉴别向量i-vector，其中
Figure WO-DOC-FIGURE-3
为各帧语音数据的高斯超向量，μ为所述GMM-UBM模型的均值超向量，T为各帧语音数据的低维度的声纹鉴别向量i-vector，
Figure WO-DOC-FIGURE-4
为映射到高维度的高斯空间的转换矩阵。
本实施例的T训练采用EM算法。EM算法，指的是最大期望算法（Expectation Maximization Algorithm，又译期望最大化算法），是一种迭代算法，在统计学中被用于寻找，依赖于不可观察的隐性变量的概率模型中，参数的最大似然估计。最大期望算法经过两个步骤交替进行计算 ：1）计算期望（E），利用概率模型参数的现有估计值，计算隐藏变量的期望；2）最大化（M），利用E 步上求得的隐藏变量的期望，对参数模型进行最大似然估计。上步找到的参数估计值被用于下步计算中，不断交替进行。
进一步地，本实施例的步骤S43，包括：
S430：分别获取预存的多个人的声纹特征数据中各自对应的预存声纹特征与所述第一声纹特征之间的第一余弦距离值，其中，多个人的声纹特征数据中包括目标人的预存声纹特征。
[援引加入(细则20.5) 01.02.2019]　
本实施例通过将预存的包括目标人的多人的声纹特征数据，同时用于判断当前采集的语音信号的声纹特征是否与目标人的声纹特征相同，以提高判断准确性。本实施例通过余弦距离公式
Figure WO-DOC-FIGURE-5
，表示各所述预存声纹特征与所述第一声纹特征之间的第一余弦距离值，其中，x代表各预存声纹鉴别向量，y代表第一声纹特征的声纹鉴别向量i-vector，余弦距离值越小，表明两声纹特征更接近或相同。本实施例的“第一”，仅用作区别，不用于限定，其他处的作用相同，不赘述。
S431：将各所述第一余弦距离值按照从小到大的顺序进行排序。
本实施例通过将各所述预存声纹特征与所述第一声纹特征之间的第一余弦距离值进行从小到大排序，以便更准确地分析第一声纹特征与各预存声纹特征的相似度分布状态，以便更准确地获得对第一声纹特征的验证。
S432：判断排序在前的预设数量的第一余弦距离值中，是否包括所述目标人的预存声纹特征对应的第一余弦距离值。
本实施例通过排序在前的预设数量的第一余弦距离值中包括所述目标人的预存声纹特征对应的第一余弦距离值，则判定第一声纹特征与预存的目标人的声纹特征相同，以减小模型误差带来的识别等错率，上述等错率为“应验证通过时发生的验证未通过的频率，与应验证未通过时发生的验证通过的频率相等”。本实施例的预设数量的第一余弦距离值包括1个、2个或3个等，可根据使用需求进行自设定。
S433：若是，则判定余弦距离值满足预设条件，否则不满足预设条件。
进一步地，本申请另一实施例的步骤S43，包括：
S434：获取目标人的预存声纹特征与第一声纹特征间的第二余弦距离值。
本实施例通过只针对性地比较一个第二余弦距离值，减小比较计算量，提高验证速率。
S435：判断所述第二余弦距离值是否小于或等于预设阈值。
本实施例通过设定第一声纹特征与目标用户的预存声纹特征的距离阈值，实现有效的声纹验证。举例地，预设阈值为0.6。
S436：若是，则判定余弦距离值满足预设条件，否则不满足预设条件。
本实施例计算第一声纹特征与目标用户的预存声纹特征的余弦距离小于或等于预设阈值，则判定余弦距离值满足预设条件，确定第一声纹特征与目标用户的预存声纹特征相同，则验证通过；若计算第一声纹特征与目标用户的预存声纹特征的余弦距离大于预设阈值，则判定所述距离值不满足预设条件，确定第一声纹特征与目标用户的预存声纹特征不相同，则验证失败。
本申请还提供了一种声纹验证系统，包括客户端、客户端服务器和声纹验证服务器；
客户端采集待验证身份的语音信号，并将语音信号发送到客户端服务器；
所述客户端服务器接收所述语音信号，并对所述语音信号进行声纹特征提取得到第一声纹特征，将第一声纹特征传输至声纹验证服务器；
所述声纹验证服务器接收所述第一声纹特征，并将所述第一声纹特征与预存声纹特征进行比较分析，以判断所述第一声纹特征与所述预存声纹特征是否相同，并将判断结果反馈至所述客户端服务器；
所述客户端服务器根据所述判断结果控制所述客户端进行反馈响应。
进一步地，本实施例的所述语音信号的连续模拟信号通过客户端按照指定采样周期进行采样，以形成离散模拟信号，并指定编码规则量化为数字信号；所述客户端服务器接收所述语音信号，并对所述语音信号进行声纹特征提取得到第一声纹特征的过程如下：
[援引加入(细则20.5) 01.02.2019]　
S101，所述客户端服务器将所述数字信号进行预加重后，对预加重的数字信号进行分帧处理，得到各帧语音数据；S102，根据
Figure WO-DOC-FIGURE-6
将各帧语音数据从线性频谱域映射到梅尔频谱域，其中，
Figure WO-DOC-FIGURE-7
表示梅尔频谱值，
Figure WO-DOC-FIGURE-8
表示线性频谱值；S103，将转化为梅尔频谱域的各帧语音数据输入到一组梅尔三角滤波器组，计算每个频段的梅尔三角滤波器输出的对数能量，得到各帧语音数据分别对应的对数能量序列；S104，将各所述对数能量序列进行离散余弦变换，得到各帧语音数据分别对应的MFCC类型声纹特征；将所述MFCC类型声纹特征构建成各帧语音数据分别对应的声纹特征向量，以形成所述第一声纹特征。
上述预加重，由于人体的生理特性，语音信号的高频成分往往被压抑，预加重的作用是补偿高频成分；上述分帧处理中，由于语音信号的“瞬时平稳性”，在进行频谱分析时对一段话音信号进行分帧处理（一般为10至30毫秒一帧），然后以帧为单位进行特征提取；上述分帧处理后进行了加窗处理，作用是减少帧起始和结束地方信号的不连续性问题，本实施例采用汉明窗进行加窗处理。
本实施例将声纹特征向量提取的功能前置到客户端服务器上完成，客户端通过录音采集语音信号后直接在本地的客户端服务器提取语音信号的声纹特征向量，然后再将声纹特征向量传输至第三方技术支持的验证服务器上进行声纹验证，声纹验证模型的训练和说话人辨认过程，由于声纹特征向量无法再反推还原为语音信号的原始数据，有利于对客户录音的语音信号进行数据保密，提高数据安全性，使客户身份认证流程的安全性得到了提高。本实施例通过提取声纹特征向量后的数据传输至服务器进行声纹验证，声纹特征向量数据比原始语音信号数据更为轻便，大大增加了传输效率。本实施例基于GMM-UBM实现将各所述声纹特征向量分别映射为低维度的声纹鉴别向量i-vector，降低计算成本，降低声纹验证的使用成本。在验证过程中通过与多人的预存数据进行比较分析，降低声纹验证的等错率，降低声纹验证的模型误差带来的影响。
进一步地，判断结果包括第一声纹特征与预存声纹特征不相同，所述客户端服务器根据所述判断结果控制所述客户端进行反馈响应的过程，包括：
客户端服务器生成身份验证不成功的反馈信息并发送至所述客户端；
判断预设时间内根据所述第一声纹特征生成身份验证不成功的反馈信息的次数，是否超过预设次数。
若超过预设次数，则控制所述客户端处于禁用状态，并发出警报。
本声纹验证系统包括警报和安全管控装置，以增强该声纹验证系统在实际应用过程的功能完备性，提高管理安全和信息安全。
参照图2，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图2所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储声纹验证等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令在执行时，执行如上述各方法的实施例的流程。本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机非易失性可读存储介质，其上存储有计算机可读指令，该计算机可读指令在执行时，执行如上述各方法的实施例的流程。以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (18)

  1. 一种声纹验证的方法，其特征在于，包括：
    通过客户端服务器提取待验证身份的语音信号，并提取所述语音信号中各帧语音数据分别对应的MFCC类型声纹特征；
    通过所述客户端服务器将所述MFCC类型声纹特征构建成各帧语音数据分别对应的声纹特征向量，以形成第一声纹特征；
    声纹验证服务器接收所述客户端服务器发送的所述第一声纹特征；
    声纹验证服务器判断所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值是否满足预设要求；
    若满足，则判定所述第一声纹特征与所述预存声纹特征相同，否则不相同。
  2. [援引加入(细则20.5) 01.02.2019]　
    根据权利要求1所述的声纹验证的方法，其特征在于，所述声纹验证服务器判断所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值是否满足预设要求的步骤，包括：
    将各帧语音数据分别对应的声纹特征向量分别映射为低维度的声纹鉴别向量i-vector；
    通过余弦距离公式
    Figure WO-DOC-FIGURE-1
    ，计算第一声纹特征对应的声纹鉴别向量i-vector与预存声纹特征对应的声纹鉴别向量i-vector之间的余弦距离值cos(x,y)，其中，x代表预存声纹特征对应的声纹鉴别向量i-vector，y代表第一声纹特征对应的声纹鉴别向量i-vector；
    判断所述余弦距离值是否满足预设条件；
    若满足，则判定所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值满足预设要求，否则不满足预设要求。
  3. [援引加入(细则20.5) 01.02.2019]　
    根据权利要求2所述的声纹验证的方法，其特征在于，所述将各帧语音数据分别对应的声纹特征向量分别映射为低维度的声纹鉴别向量i-vector的步骤，包括：
    将提取得到的各帧语音数据分别对应的声纹特征向量分别输入到GMM-UBM模型，得到表征各帧语音数据在各高斯分量上的概率分布的高斯超向量；
    将各所述高斯超向量利用公式
    Figure WO-DOC-FIGURE-2
    ，计算得到各帧语音数据分别对应的低维度的声纹鉴别向量i-vector，其中
    Figure WO-DOC-FIGURE-3
    为各帧语音数据的高斯超向量，μ为所述GMM-UBM模型的均值超向量，T为各帧语音数据的低维度的声纹鉴别向量i-vector，
    Figure WO-DOC-FIGURE-4
     为映射到高维度的高斯空间的转换矩阵。
  4. 根据权利要求2所述的声纹验证的方法，其特征在于，所述判断所述余弦距离值是否满足预设条件的步骤，包括：
    分别获取预存的多个人的声纹特征数据中各自对应的预存声纹特征与所述第一声纹特征之间的第一余弦距离值，其中，多个人的声纹特征数据中包括目标人的预存声纹特征；
    将各所述第一余弦距离值按照从小到大的顺序进行排序；
    判断排序在前的预设数量的第一余弦距离值中，是否包括所述目标人的预存声纹特征对应的第一余弦距离值；
    若是，则判定所述第一余弦距离值满足预设条件，否则不满足预设条件。
  5. 根据权利要求2所述的声纹验证的方法，其特征在于，所述判断所述余弦距离值是否满足预设条件的步骤，包括：
    获取目标人的预存声纹特征与所述第一声纹特征之间的第二余弦距离值；
    判断所述第二余弦距离值是否小于或等于预设阈值；
    若是，则判定所述第二余弦距离值满足预设条件，否则不满足预设条件。
  6. 一种声纹验证系统，其特征在于，包括客户端、客户端服务器和声纹验证服务器；
    所述客户端采集待验证身份的语音信号，并将所述语音信号发送到所述客户端服务器；
    所述客户端服务器接收所述语音信号，并对所述语音信号进行声纹特征提取得到第一声纹特征，将第一声纹特征传输至声纹验证服务器；
    所述声纹验证服务器接收所述第一声纹特征，并将所述第一声纹特征与预存声纹特征进行比较分析，以判断所述第一声纹特征与所述预存声纹特征是否相同，并将判断结果反馈至所述客户端服务器；
    所述客户端服务器根据所述判断结果控制所述客户端进行反馈响应。
  7. [援引加入(细则20.5) 01.02.2019]　
    根据权利要求6所述的声纹验证系统，其特征在于，所述语音信号的连续模拟信号通过客户端按照指定采样周期进行采样，以形成离散模拟信号，并通过指定编码规则量化为数字信号；所述客户端服务器接收所述语音信号，并对所述语音信号进行声纹特征提取得到第一声纹特征的过程，包括：
    所述客户端服务器将所述数字信号进行预加重后，对预加重的数字信号进行分帧处理，得到各帧语音数据；
    根据
    Figure WO-DOC-FIGURE-5
    将所述各帧语音数据从线性频谱域映射到梅尔频谱域，其中，
    Figure WO-DOC-FIGURE-6
    表示梅尔频谱值，
    Figure WO-DOC-FIGURE-7
    表示线性频谱值；
    将转化为梅尔频谱域的各帧语音数据输入到梅尔三角滤波器组，计算每个频段的梅尔三角滤波器输出的对数能量，得到各帧语音数据分别对应的对数能量序列；
    将各所述对数能量序列进行离散余弦变换，得到各帧语音数据分别对应的MFCC类型声纹特征；
    将所述MFCC类型声纹特征构建成各帧语音数据分别对应的声纹特征向量，以形成所述第一声纹特征。
  8. 根据权利要求6所述的声纹验证系统，其特征在于，所述判断结果包括所述第一声纹特征与所述预存声纹特征不相同，所述客户端服务器根据所述判断结果控制所述客户端进行反馈响应的过程，包括：
    客户端服务器生成身份验证不成功的反馈信息并发送至所述客户端；
    判断预设时间内根据所述第一声纹特征生成身份验证不成功的反馈信息的次数，是否超过预设次数。
    若超过预设次数，则控制所述客户端处于禁用状态，并发出警报。
  9. 一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现声纹验证的方法，声纹验证的方法包括：
    通过客户端服务器提取待验证身份的语音信号，并提取所述语音信号中各帧语音数据分别对应的MFCC类型声纹特征；
    通过所述客户端服务器将所述MFCC类型声纹特征构建成各帧语音数据分别对应的声纹特征向量，以形成第一声纹特征；
    声纹验证服务器接收所述客户端服务器发送的所述第一声纹特征；
    声纹验证服务器判断所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值是否满足预设要求；
    若满足，则判定所述第一声纹特征与所述预存声纹特征相同，否则不相同。
  10. [援引加入(细则20.5) 01.02.2019]　
    根据权利要求9所述的计算机设备，其特征在于，所述声纹验证服务器判断所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值是否满足预设要求的步骤，包括：
    将各帧语音数据分别对应的声纹特征向量分别映射为低维度的声纹鉴别向量i-vector；
    通过余弦距离公式
    Figure WO-DOC-FIGURE-8
    ，计算第一声纹特征对应的声纹鉴别向量i-vector与预存声纹特征对应的声纹鉴别向量i-vector之间的余弦距离值cos(x,y)，其中，x代表预存声纹特征对应的声纹鉴别向量i-vector，y代表第一声纹特征对应的声纹鉴别向量i-vector；
    判断所述余弦距离值是否满足预设条件；
    若满足，则判定所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值满足预设要求，否则不满足预设要求。
  11. [援引加入(细则20.5) 01.02.2019]　
    根据权利要求10所述的计算机设备，其特征在于，所述将各帧语音数据分别对应的声纹特征向量分别映射为低维度的声纹鉴别向量i-vector的步骤，包括：
    将提取得到的各帧语音数据分别对应的声纹特征向量分别输入到GMM-UBM模型，得到表征各帧语音数据在各高斯分量上的概率分布的高斯超向量；
    将各所述高斯超向量利用公式
    Figure WO-DOC-FIGURE-9
    ，计算得到各帧语音数据分别对应的低维度的声纹鉴别向量i-vector，其中
    Figure WO-DOC-FIGURE-10
    为各帧语音数据的高斯超向量，μ为所述GMM-UBM模型的均值超向量，T为各帧语音数据的低维度的声纹鉴别向量i-vector，
    Figure WO-DOC-FIGURE-11
    为映射到高维度的高斯空间的转换矩阵。
  12. 根据权利要求10所述的计算机设备，其特征在于，所述判断所述余弦距离值是否满足预设条件的步骤，包括：
    分别获取预存的多个人的声纹特征数据中各自对应的预存声纹特征与所述第一声纹特征之间的第一余弦距离值，其中，多个人的声纹特征数据中包括目标人的预存声纹特征；
    将各所述第一余弦距离值按照从小到大的顺序进行排序；
    判断排序在前的预设数量的第一余弦距离值中，是否包括所述目标人的预存声纹特征对应的第一余弦距离值；
    若是，则判定所述第一余弦距离值满足预设条件，否则不满足预设条件。
  13. 根据权利要求10所述的计算机设备，其特征在于，所述判断所述余弦距离值是否满足预设条件的步骤，包括：
    获取目标人的预存声纹特征与所述第一声纹特征之间的第二余弦距离值；
    判断所述第二余弦距离值是否小于或等于预设阈值；
    若是，则判定所述第二余弦距离值满足预设条件，否则不满足预设条件。
  14. 一种计算机非易失性可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现声纹验证的方法，声纹验证的方法包括：
    通过客户端服务器提取待验证身份的语音信号，并提取所述语音信号中各帧语音数据分别对应的MFCC类型声纹特征；
    通过所述客户端服务器将所述MFCC类型声纹特征构建成各帧语音数据分别对应的声纹特征向量，以形成第一声纹特征；
    声纹验证服务器接收所述客户端服务器发送的所述第一声纹特征；
    声纹验证服务器判断所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值是否满足预设要求；
    若满足，则判定所述第一声纹特征与所述预存声纹特征相同，否则不相同。
  15. [援引加入(细则20.5) 01.02.2019]　
    根据权利要求14所述的计算机非易失性可读存储介质，其特征在于，所述声纹验证服务器判断所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值是否满足预设要求的步骤，包括：
    将各帧语音数据分别对应的声纹特征向量分别映射为低维度的声纹鉴别向量i-vector；
    通过余弦距离公式
    Figure WO-DOC-FIGURE-12
    ，计算第一声纹特征对应的声纹鉴别向量i-vector与预存声纹特征对应的声纹鉴别向量i-vector之间的余弦距离值cos(x,y)，其中，x代表预存声纹特征对应的声纹鉴别向量i-vector，y代表第一声纹特征对应的声纹鉴别向量i-vector；
    判断所述余弦距离值是否满足预设条件；
    若满足，则判定所述第一声纹特征与预存声纹特征分别对应的声纹鉴别向量i-vector之间的特征距离值满足预设要求，否则不满足预设要求。
  16. [援引加入(细则20.5) 01.02.2019]　
    根据权利要求15所述的计算机非易失性可读存储介质，其特征在于，所述将各帧语音数据分别对应的声纹特征向量分别映射为低维度的声纹鉴别向量i-vector的步骤，包括：
    将提取得到的各帧语音数据分别对应的声纹特征向量分别输入到GMM-UBM模型，得到表征各帧语音数据在各高斯分量上的概率分布的高斯超向量；
    将各所述高斯超向量利用公式
    Figure WO-DOC-FIGURE-13
    ，计算得到各帧语音数据分别对应的低维度的声纹鉴别向量i-vector，其中
    Figure WO-DOC-FIGURE-14
    为各帧语音数据的高斯超向量，μ为所述GMM-UBM模型的均值超向量，T为各帧语音数据的低维度的声纹鉴别向量i-vector，
    Figure WO-DOC-FIGURE-15
     为映射到高维度的高斯空间的转换矩阵。
  17. 根据权利要求15所述的计算机非易失性可读存储介质，其特征在于，所述判断所述余弦距离值是否满足预设条件的步骤，包括：
    分别获取预存的多个人的声纹特征数据中各自对应的预存声纹特征与所述第一声纹特征之间的第一余弦距离值，其中，多个人的声纹特征数据中包括目标人的预存声纹特征；
    将各所述第一余弦距离值按照从小到大的顺序进行排序；
    判断排序在前的预设数量的第一余弦距离值中，是否包括所述目标人的预存声纹特征对应的第一余弦距离值；
    若是，则判定所述第一余弦距离值满足预设条件，否则不满足预设条件。
  18. 根据权利要求15所述的计算机非易失性可读存储介质，其特征在于，所述判断所述余弦距离值是否满足预设条件的步骤，包括：
    获取目标人的预存声纹特征与所述第一声纹特征之间的第二余弦距离值；
    判断所述第二余弦距离值是否小于或等于预设阈值；
    若是，则判定所述第二余弦距离值满足预设条件，否则不满足预设条件。
PCT/CN2018/124402 2018-10-11 2019-02-01 声纹验证的方法、装置、计算机设备以及存储介质 Ceased WO2020073519A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811184775.3 2018-10-11
CN201811184775.3A CN109257362A (zh) 2018-10-11 2018-10-11 声纹验证的方法、装置、计算机设备以及存储介质

Publications (1)

Publication Number Publication Date
WO2020073519A1 true WO2020073519A1 (zh) 2020-04-16

Family

ID=65046070

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/124402 Ceased WO2020073519A1 (zh) 2018-10-11 2019-02-01 声纹验证的方法、装置、计算机设备以及存储介质

Country Status (2)

Country Link
CN (1) CN109257362A (zh)
WO (1) WO2020073519A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117476038A (zh) * 2020-05-21 2024-01-30 北京百度网讯科技有限公司 模型评测方法、装置及电子设备

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109257362A (zh) * 2018-10-11 2019-01-22 平安科技（深圳）有限公司 声纹验证的方法、装置、计算机设备以及存储介质
CN112687274A (zh) * 2019-10-17 2021-04-20 北京猎户星空科技有限公司 一种语音信息的处理方法、装置、设备及介质
CN111865926A (zh) * 2020-06-24 2020-10-30 深圳壹账通智能科技有限公司 基于双模型的通话通道构建方法、装置和计算机设备
CN112509587B (zh) * 2021-02-03 2021-04-30 南京大正智能科技有限公司 移动号码与声纹动态匹配及索引构建方法、装置与设备
CN112992152B (zh) * 2021-04-22 2021-09-14 北京远鉴信息技术有限公司 一种单兵声纹识别系统、方法、存储介质及电子设备
WO2022236453A1 (zh) * 2021-05-08 2022-11-17 腾讯音乐娱乐科技（深圳）有限公司 一种声纹识别方法、歌手认证方法、电子设备及存储介质
CN114202891A (zh) * 2021-12-28 2022-03-18 深圳市锐明技术股份有限公司 一种发送报警指示的方法及装置
CN115223568A (zh) * 2022-06-29 2022-10-21 厦门快商通科技股份有限公司 基于声纹识别的身份验证方法、装置、系统和存储介质
CN115358749A (zh) * 2022-08-09 2022-11-18 平安银行股份有限公司 身份验证方法、装置、服务器及计算机可读存储介质
CN115547343A (zh) * 2022-09-29 2022-12-30 中国电信股份有限公司 声纹识别方法、装置、边缘端设备及声纹识别系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955677A (zh) * 2014-05-12 2014-07-30 南京大学 一种基于隐私保护的心电图识别的方法
CN104680375A (zh) * 2015-02-28 2015-06-03 优化科技（苏州）有限公司 电子支付真人活体身份验证系统
CN107993071A (zh) * 2017-11-21 2018-05-04 平安科技（深圳）有限公司 电子装置、基于声纹的身份验证方法及存储介质
US20180158464A1 (en) * 2013-07-17 2018-06-07 Verint Systems Ltd. Blind Diarization of Recorded Calls With Arbitrary Number of Speakers
CN109257362A (zh) * 2018-10-11 2019-01-22 平安科技（深圳）有限公司 声纹验证的方法、装置、计算机设备以及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203102365U (zh) * 2012-12-28 2013-07-31 国民技术股份有限公司 一种终端及认证装置
CN106098068B (zh) * 2016-06-12 2019-07-16 腾讯科技（深圳）有限公司 一种声纹识别方法和装置
CN107610707B (zh) * 2016-12-15 2018-08-31 平安科技（深圳）有限公司 一种声纹识别方法及装置
CN107068154A (zh) * 2017-03-13 2017-08-18 平安科技（深圳）有限公司 基于声纹识别的身份验证的方法及系统
CN106991312B (zh) * 2017-04-05 2020-01-10 百融云创科技股份有限公司 基于声纹识别的互联网反欺诈认证方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180158464A1 (en) * 2013-07-17 2018-06-07 Verint Systems Ltd. Blind Diarization of Recorded Calls With Arbitrary Number of Speakers
CN103955677A (zh) * 2014-05-12 2014-07-30 南京大学 一种基于隐私保护的心电图识别的方法
CN104680375A (zh) * 2015-02-28 2015-06-03 优化科技（苏州）有限公司 电子支付真人活体身份验证系统
CN107993071A (zh) * 2017-11-21 2018-05-04 平安科技（深圳）有限公司 电子装置、基于声纹的身份验证方法及存储介质
CN109257362A (zh) * 2018-10-11 2019-01-22 平安科技（深圳）有限公司 声纹验证的方法、装置、计算机设备以及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117476038A (zh) * 2020-05-21 2024-01-30 北京百度网讯科技有限公司 模型评测方法、装置及电子设备

Also Published As

Publication number Publication date
CN109257362A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
WO2020073519A1 (zh) 声纹验证的方法、装置、计算机设备以及存储介质
CN109378002B (zh) 声纹验证的方法、装置、计算机设备和存储介质
Ali et al. Edge-centric multimodal authentication system using encrypted biometric templates
WO2020177380A1 (zh) 基于短文本的声纹检测方法、装置、设备及存储介质
CN107517207A (zh) 服务器、身份验证方法及计算机可读存储介质
EP2763134B1 (en) Method and apparatus for voice recognition
US9099085B2 (en) Voice authentication systems and methods
CN112562691A (zh) 一种声纹识别的方法、装置、计算机设备及存储介质
CN110853646A (zh) 会议发言角色的区分方法、装置、设备及可读存储介质
JP6726359B2 (ja) 身元認識方法及び装置
WO2020224114A1 (zh) 基于残差时延网络的说话人确认方法、装置、设备及介质
WO2019100606A1 (zh) 电子装置、基于声纹的身份验证方法、系统及存储介质
KR20190022432A (ko) 전자장치, 신분 검증 방법, 시스템 및 컴퓨터 판독 가능한 저장매체
US12412177B2 (en) Methods and systems for training a machine learning model and authenticating a user with the model
US12566831B2 (en) Methods and systems for training a machine learning model and authenticating a user with the model
WO2019136912A1 (zh) 电子装置、身份验证的方法、系统及存储介质
CN104517066A (zh) 一种文件夹加密方法
CN114398611A (zh) 一种双模态身份认证方法、装置以及存储介质
CN112201254B (zh) 无感语音认证方法、装置、设备及存储介质
WO2022126964A1 (zh) 业务数据核验方法、装置、设备及存储介质
CN113886792A (zh) 一种声纹识别和人脸识别相结合的印控仪应用方法和系统
CN119479694A (zh) 风险事件识别方法、装置、计算机设备及存储介质
CN118887961A (zh) 跨信道声纹识别模型的训练方法、装置、设备及存储介质
CN116386648A (zh) 跨域语音鉴伪方法和系统
CN114974204A (zh) 合成攻击语音的检测方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18936666

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18936666

Country of ref document: EP

Kind code of ref document: A1