[发明专利]一种声纹特征的融合方法及装置

权利要求书

1.一种声纹特征的融合方法，包括：

提取语音频谱特征，将所述语音频谱特征作为输入，采用通用背景模型及全局差异空间矩阵提取出i-vector声纹特征；采用深度神经网络，提取x-vector声纹特征及d-vector声纹特征；

采用所述i-vector声纹特征、所述x-vector声纹特征及所述d-vector声纹特征作为样本，基于线性判别分析完成多种声纹特征的融合；

所述采用深度神经网络，提取x-vector声纹特征及d-vector声纹特征包括：

在深度神经网络中加入池化层，在池化层求平均值后，继续向前传播，在抽取后续中间层的激活值作为x-vector声纹特征；

从深度神经网络的最后一个隐层中抽取出激活值，然后经过累加求均值得到d-vector声纹特征。

2.根据权利要求1所述的融合方法，基于线性判别分析完成多种声纹特征融合包括：

计算类内散度矩阵S_w：

其中，n是类标签的个数，x^(k)表示子集D_i中的样本，μ_i表示子集D_i的均值；然后计算类间散度矩阵S_b：

其中n是类标签的个数，p(i)是第i类样本的先验概率，μ_i表示子集D_i的均值，μ表示所有样本的均值；

计算矩阵S_w^-1S_b的特征值；

找出矩阵S_w^-1S_b最大的k个特征值和其对应的k个特征向量(w₁，w₂，...，w_k)；

将原始样本投影到以(w₁，w₂，...，w_k)为基向量生成的低维空间中。

3.根据权利要求2所述的融合方法，提取语音频谱特征的步骤包括：

对获取目标说话人的语音采样，利用语音端点检测算法，截取出所述目标说话人的语音采样中的实际语音数据；

从所述实际语音数据中，提取梅尔频率倒谱系数特征。

4.根据权利要求3所述的融合方法，所述基于线性判别分析完成多种声纹特征的融合之后还包括：

基于概率线性判别分析完成信道补偿，并得到信道补偿后的声纹特征。

5.根据权利要求4所述的融合方法，所述利用语音端点检测算法，截取出所述目标说话人的语音采样中的实际语音数据之前还包括：

通过音频输入模块，得到目标说话人的语音采样；

所述基于概率线性判别分析完成信道补偿，并得到信道补偿后的声纹特征之后还包括：

对信道补偿后的声纹特征进行输出。

6.一种声纹特征的融合装置，包括：

UBM模型及T矩阵模块，用于将语音频谱特征作为输入，采用通用背景模型及全局差异空间矩阵提取出i-vector声纹特征；

DNN模块，用于将语音频谱特征作为输入，采用加入池化层的DNN网络，在池化层求平均值后，继续向前传播，抽取后续中间层的激活值作为x-vector声纹特征；并于最后一个隐层中抽取出激活值，经过加权得到新的d-vector声纹特征；

线性判别分析模块，连接到所述UBM模型及T矩阵模块及DNN模块，采用线性判别分析完成多种声纹特征的融合。

7.根据权利要求6所述的融合装置，还包括：

语音端点检测模块，用于对获取的目标说话人的语音采样数据进行处理，采用语音端点检测算法，截取出所述目标说话人的语音采样中的实际语音数据；

语音频谱特征提取模块，连接到所述语音端点检测模块、UBM模型及T矩阵模块及DNN模块，用于从所述实际语音数据中，提取梅尔频率倒谱系数特征作为所述目标说话人的语音频谱特征。