[发明专利]声纹模型重建方法、终端、装置及可读存储介质

说明书

本发明公开了一种声纹模型重建方法，包括以下步骤：获取语音样本数据，基于所述语音样本数据生成初始声纹模型，其中，所述语音样本数据包括多个子语音样本数据，而后基于所述初始声纹模型获取各个子语音样本数据的声纹特征向量，并基于K‑Means算法以及各个声纹特征向量对所述语音样本数据进行聚类，将所述语音样本数据分成预设数量的子样本集，接下来基于所述预设数量的子样本集生成目标声纹模型。本发明还公开了一种装置、终端及可读存储介质。本发明通过对语音样本数据进行聚类分组，进而以迭代的方式利用分组后的语音子样本集训练声纹模型，提升了声纹模型训练效率，以及声纹模型的健壮性。

技术领域

本发明涉及声纹识别领域，尤其涉及一种声纹模型重建方法、终端、装 置及可读存储介质。

背景技术

声纹是用电声学仪器显示的携带言语信息的声波频谱。现代科学研究表 明，声纹不仅具有特定性，而且有相对稳定性的特点。成年以后，人的声音 可保持长期相对稳定不变。声纹识别算法通过学习声音图谱中抽取各种语音 特征，建立声纹识别模型，从而来确认说话人。

但是，目前都是基于训练样本指导模型，对用户语音训练数据进行训练， 具体的，可以通过高斯混合模型-通用背景模型(GMM-UBM，Gaussian Mixture Model-UniversalBackground Model)、全差异建模(TV，Total Variability)系统或 深度神经网络系统等方法进行训练，其训练过程中都是利用大量用户的语音 来训练表征用户信息的特征矢量。语音样本缺少标注标签是普遍现象，如果 再对用户的标签进行人工标注，则会存在更大的误差，因为，标注员对自己 不熟悉的用户语音非常难以标注用户信息，所以，不但误差大，且标注代价 也十分高昂。因此，基于上述问题，如何在用户标签不全的训练数据上训练 出较好的声纹模型是目前有待解决的问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是 现有技术。

发明内容

本发明的主要目的在于提供一种声纹模型重建方法、终端、装置及可读 存储介质，旨在解决基于用户标签不全的训练数据上训练出的声纹模型，声 纹模型的健壮性不强的技术问题。

为实现上述目的，本发明提供一种声纹模型重建方法，所述的声纹模型 重建方法包括以下步骤：

在接收到声纹模型重建请求时，语音提醒用户跟读认证语音内容，获取 所述用户跟读语音的人脸视频；

基于所述人脸视频进行人脸识别认证，并提取所述人脸视频中的语音数 据；

在所述人脸识别认证失败时，获取所述语音数据对应的特征向量，基于 所述特征向量进行声纹认证；

在所述声纹认证通过后，响应所述声纹模型重建请求。

进一步地，在一实施方式中，所述预设数量的子样本集包括第一子样本 集、第二子样本集和第三子样本集，第一预设值小于第二预设值，所述基于 K-Means算法以及各个声纹特征向量对所述语音样本数据进行聚类，将所述 语音样本数据分成预设数量的子样本集的步骤包括：

基于所述K-Means算法计算各个声纹特征向量与预设的聚类中心的距 离；

在所有距离中存在小于或等于所述第一预设值的第一子距离时，将所述 第一子距离对应的子语音样本数据作为第一子样本集中的语音样本数据；

在所有距离中存在大于所述第一预设值且小于或等于所述第二预设值的 第二子距离时，将所述第二子距离对应的子语音样本数据作为第二子样本集 中的语音样本数据；

在所有距离中存在大于所述第二预设值的第三子距离时，将所述第三子 距离对应的子语音样本数据作为第三子样本集中的语音样本数据。

进一步地，在一实施方式中，通过下述方式计算聚类中心：