[发明专利]利用提前停止聚类的讲话者分离

说明书

本公开提供了用于利用提前停止聚类的讲话者分离的方法和装置。可以将音频流分割为至少一个语音段，所述音频流包括来自至少一个讲话者的语音。可以将所述至少一个语音段聚类为多个簇，所述多个簇的数量大于所述至少一个讲话者的数量。可以从所述多个簇中选择相似度最高的至少一个簇，所选择的至少一个簇的数量等于所述至少一个讲话者的数量。可以基于所选择的至少一个簇来建立讲话者分类模型。可以通过所述讲话者分类模型，将所述音频流中的语音帧与所述至少一个讲话者对准。

背景技术

讲话者分离(speaker diarization)是将输入音频流划分为分别对应于不同讲话者的多个部分的过程。讲话者分离旨在确定在音频流中“谁在何时讲话？”，以及每个讲话者处于活动状态的时间间隔。通过对涉及来自多个讲话者的语音的音频流应用讲话者分离，可以确定音频流中的每个语音话语是由哪个讲话者讲出的，或者每个讲话者已经讲出了什么语音话语。讲话者分离被广泛地用于各种场景。例如，对于来自会议的音频流，讲话者分离可用于自动生成会议记录，其记录了在会议期间的语音话语并为每个语音话语标识了讲话者。

发明内容

提供本发明内容以便介绍一组概念，这组概念将在以下的具体实施方式中做进一步描述。本发明内容并非旨在标识所保护主题的关键特征或必要特征，也不旨在用于限制所保护主题的范围。

本公开的实施例提出了用于利用提前停止聚类的讲话者分离的方法和装置。可以将音频流分割为至少一个语音段，所述音频流包括来自至少一个讲话者的语音。可以将所述至少一个语音段聚类为多个簇，所述多个簇的数量大于所述至少一个讲话者的数量。可以从所述多个簇中选择相似度最高的至少一个簇，所选择的至少一个簇的数量等于所述至少一个讲话者的数量。可以基于所选择的至少一个簇来建立讲话者分类模型。可以通过所述讲话者分类模型，将所述音频流中的语音帧与所述至少一个讲话者对准。

应当注意，以上一个或多个方面包括以下详细描述以及权利要求中具体指出的特征。下面的说明书及附图详细提出了所述一个或多个方面的某些说明性特征。这些特征仅仅指示可以实施各个方面的原理的多种方式，并且本公开旨在包括所有这些方面和其等同变换。

附图说明

以下将结合附图描述所公开的多个方面，这些附图被提供用以说明而非限制所公开的多个方面。

图1示出了传统讲话者分离的示例性过程。

图2示出了根据实施例的利用提前停止聚类的讲话者分离的示例性过程。

图3示出了根据实施例的在讲话者分离中执行提前停止聚类的示例性过程。

图4示出了根据实施例的在讲话者分离中执行提前停止聚类的示例性过程。

图5示出了根据实施例的在讲话者分离中估计讲话者数量的示例性过程。

图6示出了根据实施例的在讲话者分离中选择簇的示例性过程。

图7示出了根据实施例的用于讲话者分离的示例性方法的流程图。

图8示出了根据实施例的用于讲话者分离的示例性装置。

图9示出了根据实施例的用于讲话者分离的示例性装置。

具体实施方式

现在将参考多种示例性实施方式来讨论本公开。应当理解，这些实施方式的讨论仅仅用于使得本领域技术人员能够更好地理解并从而实施本公开的实施例，而并非教导对本公开的范围的任何限制。