[发明专利]一种基于声纹库的油站服务质量提升方法

说明书

本发明公开了一种基于声纹库的油站服务质量提升方法、S1建立所处环境中的杂质音的语音数据库,S2拾取高好感度的礼貌用语节点、S3建立服务人员的声音模型库,S4抗干扰高识别度性的油站环境语音数据库、S5闭环.系统可以支持目标模型的快速训练，本算法极其应用适用于多种环境中，具备良好的市场前景。

技术领域

本发明属于声纹识别的方法领域，特别涉及一种基于声纹库的油站服务质量提升方法。

背景技术

在加油站的日常运营过程中，服务人员对于顾客的服务态度不受控，①经常出现顾客前来加油，而油抢处无服务人员的状况，②服务人员在加油过程中无服务用语，服务人员冷漠，情绪不可控，是现在加油服务过程、餐饮行业及一切服务行业中存在的通病，因此如何调动服务人员在服务过程中情绪，及针对加油服务队服务人员的服务用语进行规范，都是一个难题。

现有的语音识别过程中，

①语音识别不精准，无法准确拾取服务人员的服务节点语音，应对嘈杂环境中由于噪音库的缺失无法在噪音环境拾取服务人员声音特点，多次拾取失败后反而会影响正常工作，特征端因子的低敏性拾取会造成本装置无法推广，识别准确度低。

②模型训练性能不足，现有的训练方法无法充分发挥硬件性能，随着训练数据集扩充、模型复杂度增加，现有训练方法即使采用GPU加速，在实验过程中也存在着严重的性能不足，往往需要数周时间才能达到模型的收敛，不能满足对于训练大规模网络、开展更多试验的需求。目前服务器上安装多个GPU卡已经非常普遍，在通用计算领域使用多GPU并行加速技术扩展计算密集型应用程序的并行性、提高程序性能也是越来越热门的发展方向。

由于语音业务中DNN模型采用多层全连接的网络结构，在单机多GPU模型并行的实践中发现拆分其模型存在较大的额外开销，无论采用普通模型拆分还是流式控制，扩展性有限：相比GPU的计算能力，如果模型参数量不能匹配，模型并行不能有效地利用多个高计算能力的GPU卡，表现为使用2GPU时已有较好的性能提升，但使用更多GPU却无法取得更好效果。

考虑到上述问题，在DNN多GPU并行训练框架中，选择了数据并行的技术路线，完成了升级版的单机多GPU数据并行版本。

由于训练深层网络使用的训练数据规模庞大、计算开销大，从而训练过程收敛难，训练用时久，通过开发多GPU数据并行版本期望达到下述目标：充分利用单机多GPU计算资源和DNN的数据并行特性，加速模型训练过程；提供默认的深度学习算法实现，以帮助提升语音识别准确率；提供更好的易用性支持，方便进行模型训练。

发明内容

针对现有技术中存在的声纹拾取能力弱的问题，而提供了一种基于声纹库的油站服务质量提升方法，其实现了用于提供并行训练框架，训话刷新训练方式将单个GPU作为训练集群，刷新提高特征端因子鲁棒性。

为了实现上述目的，本发明提供如下技术方案：

一种基于声纹库的油站服务质量提升方法,拾取服务人员的服务用语并将服务用语作为单个服务周期的语言节点化,实现服务人员处于服务时间段的礼貌用语监管用于提升服务状态的服务质量,具体包括:

S1.建立所处环境中的杂质音的语音数据库,包括

采集所处环境中的服务时间段的的语音数据库,将该语音数据库定义为干扰语音数据库,并分析干扰语音数据库内声音特征，

S1.1.分析干扰语音数据库内声音特征指的是，将所处场中音频库分离为多根连续性不间断的声纹线，每条声纹线响度峰值H、谷值N及中间离散点S，将纹线响度峰值H、谷值N及中间离散点S进行快速傅里叶变换转换得到组成该条曲线的离散正弦波，将所有的离散正弦波sinx，进行再次解构e^ix＝cos x+i sin x，将得到的离散正弦波和达到的离散正弦波余弦波数值转换即得到包含所处环境中的所有杂质音函数库，所处环境中的杂质音的声音模型库建立完成；