[发明专利]一种基于ArcFace的语音识别方法及装置

说明书

本发明实施例提供一种基于ArcFace的语音识别方法及装置，所述方法包括：获取待识别语音，并提取所述待识别语音的低层帧级特征；根据所述低层帧级特征，提取身份特征向量；从预设语音库中获取与所述身份特征向量相似的目标身份特征向量，所述预设语音库预先存储有预设身份特征向量与预设身份信息之间的对应关系；所述对应关系是根据预先训练过的预设模型得到的；所述预设模型是通过基于ArcFace的算法表达式获取的预设损失函数进行训练的；根据所述对应关系，确定与所述目标身份特征向量对应的目标身份信息，并将所述目标身份信息作为所述待识别语音的识别结果。所述装置执行上述方法。本发明实施例提供的方法及装置，能够准确地对各种类型的语音进行识别。

技术领域

本发明实施例涉及语音处理技术领域，具体涉及一种基于ArcFace的语音识别方法及装置。

背景技术

随着数字音频数据的爆炸式增长，通过语音识别技术，从而识别出说话人也逐渐受到越来越多的关注。

目前在说话人识别中应用最为广泛的i-vector系统，其基于的GMM-UBM(混合高斯模型-背景模型模型)和GSV-SVM(高斯均值超向量-支持向量机模型)都是建立在统计模型理论上的，因此要求训练和测试语音必须达到一定的长度，否则识别准确性将大幅度下降。另一方面，虽然ArcFace在人脸识别领域得到了广泛的应用，但是，目前尚没有将ArcFace应用在语音识别领域的方法。

因此，如何避免上述缺陷，基于ArcFace准确地对各种类型的语音(包括长语音和短语音)进行识别，成为亟须解决的问题。

发明内容

针对现有技术存在的问题，本发明实施例提供一种基于ArcFace的语音识别方法及装置。

第一方面，本发明实施例提供一种基于ArcFace的语音识别方法，所述方法包括：

获取待识别语音，并提取所述待识别语音的低层帧级特征；

根据所述低层帧级特征，提取身份特征向量；

从预设语音库中获取与所述身份特征向量相似的目标身份特征向量，所述预设语音库预先存储有预设身份特征向量与预设身份信息之间的对应关系；其中，所述对应关系是根据预先训练过的预设模型得到的；所述预设模型是通过基于ArcFace的算法表达式获取的预设损失函数进行训练的；

根据所述对应关系，确定与所述目标身份特征向量对应的目标身份信息，并将所述目标身份信息作为所述待识别语音的识别结果。

第二方面，本发明实施例提供一种基于ArcFace的语音识别装置，所述装置包括：

第一获取单元，用于获取待识别语音，并提取所述待识别语音的低层帧级特征；

提取单元，用于根据所述低层帧级特征，提取身份特征向量；

第二获取单元，用于从预设语音库中获取与所述身份特征向量相似的目标身份特征向量，所述预设语音库预先存储有预设身份特征向量与预设身份信息之间的对应关系；其中，所述对应关系是根据预先训练过的预设模型得到的；所述预设模型是通过基于ArcFace的算法表达式获取的预设损失函数进行训练的；

识别单元，用于根据所述对应关系，确定与所述目标身份特征向量对应的目标身份信息，并将所述目标身份信息作为所述待识别语音的识别结果。

第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，

所述处理器和所述存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：

获取待识别语音，并提取所述待识别语音的低层帧级特征；