[发明专利]一种语音数据的处理方法

权利要求书

1.一种语音数据的处理方法，其特征在于，包括：

将智能POS机与支付平台通过安全信道建立连接；

智能POS机客户端对用户进行语音识别；

基于语音识别结果进行用户身份验证；

支付平台生成随机字符串发送给智能POS机用户；用户将收到的随机字符串录制成语音，将语音发送给支付平台；当支付平台收到用户的语音后，提取语音的MFCC特征；

根据语音的MFCC特征，将语音转换为字符串文本，若得到的字符串文本与预先生成的随机字符串内容相同，则将该段语音标记为有效注册语音；否则标记为无效语音；

在验证阶段：当智能POS机用户发出身份认证请求时，支付平台首先生成随机字符串发送给用户，用户将收到的随机字符串按照支付平台指定的顺序后进行录制，得到认证语音，所生成的认证语音发送给支付平台；若用户在一定持续时间内未能录入语音，则当前随机字符串失效，用户验证失败；

支付平台收到认证语音后，提取认证语音的MFCC特征；验证该认证语音的用户特征是否属于当前用户且内容与正确字符串文本是否相符，分别得到语音匹配值S₁和文本匹配值S₂；

将语音匹配值S₁与文本匹配值S₂加权求和后得到最终分值，与设定阈值比较并进行判定：当最终分值超过设定阈值时，则认为认证语音来自智能POS机的已注册用户并且语音的文本内容正确，验证通过；否则验证失败；

最终分值的计算如下：

S＝wS₁+(1-w)S₂

式中，S为最终分值，w为权重，0w1；

验证该认证语音的用户特征是否属于当前用户且内容与正确字符串文本是否相符，进一步包括：

依照正确字符串文本的顺序构建第一HMM；

根据认证语音的MFCC特征以及第一HMM，采用Viterbi算法得到认证语音的MFCC特征与第一HMM状态之间的映射，使得：

Φ*_t＝argmax_Φp(X_t|H,Φ_t)

式中，X_t为认证语音的MFCC特征集合{x_t(1)，x_t(2)，...，x_t(N_t)}，N_t为认证语音特征总数量，下标t代表认证语音段，H为第一HMM，Φ_t为认证语音MFCC特征与HMM状态的映射，p(X_t|H，Φ_t)表示认证语音MFCC特征集合X_t在第一HMM以及状态对应方式Φ_t下的整体似然概率，Φ*_t为Viterbi算法找到的认证语音MFCC特征与第一HMM状态之间的最优映射；

根据认证语音的MFCC特征与第一HMM状态之间的映射，进而得到认证语音MFCC特征与各个字符的映射，计算认证语音在特定用户语音GMM模型以及通用GMM模型的对数似然比，作为语音匹配值S₁；语音匹配值S₁的计算表达式如下：

式中，x_t(n)为认证语音的第n帧MFCC特征，N_t¹表示认证语音中所有字符文本对应的MFCC特征数量，d(n)为正确字符串文本条件下认证语音第n帧MFCC特征对应的字符，Λ₀^d(n)和Λ^d(n)分别为字符d(n)对应的特定用户GMM模型和通用GMM模型，p(x_t(n)|Λ₀^d(n)和p(x_t(n)|Λ^d(n))分别为x_t(n) 在两种GMM模型的整体似然概率；

识别认证语音的字符串内容，将验证得到的字符串内容作为最优字符串；依照最优字符串，使用通用GMM模型构建第二HMM；

采用Viterbi算法得到认证语音的MFCC特征与第二HMM状态之间的映射，进而得到认证语音MFCC特征与各个字符的映射；

根据分别得到的在正确字符串文本以及最优字符串下认证语音MFCC特征与各个字符的映射，计算认证语音特定用户语音GMM模型与通用GMM模型上的对数似然比，作为文本匹配值S₂；文本匹配值S₂的计算表达式如下：

式中，表示认证语音中最优字符文本对应的MFCC特征数量，d²(n)为最优字符串条件下认证语音第n帧MFCC特征对应的字符，为d²(n)对应的通用GMM模型，为x_t(n)在d²(n)的通用GMM模型上的整体似然概率。