[发明专利]说话人信息提取模型的训练方法、装置和计算机设备

说明书

本申请涉及说话人信息提取模型的训练方法，包括：将语音合成系统与语音识别系统，通过说话人信息提取模型关联为训练体系；从音频处理结果中去除说话人信息提取模型提取语音数据对应的文本内容信息后的剩余数据信息，得到第一高维向量，获取文本处理网络处理第一数据对的文本数据输出的第二高维向量；训练音频处理网络、文本处理网络和说话人信息提取模型，至损失函数达最小值时训练收敛；将音频处理网络和音频恢复网络组合成处理音频的网络，将文本处理网络和文本恢复网络组合成处理文本的网络；训练处理音频的网络和说话人信息提取模型至收敛，以获取说话人信息提取模型的参量集合。提高说话人信息提取模型的泛化能力。

技术领域

本申请涉及到声纹识别领域，特别是涉及到说话人信息提取模型的训练方法、装置和计算机设备。

背景技术

声纹识别，是一种提取能够唯一代表说话人身份信息的技术，分为文本相关和文本无关两种情况。文本相关是指说话人必须说指定内容的话才会被识别。文本无关的说话人识别是指不需要说特定内容，只要有说话声音就会识别。一般基于监督学习的方法来训练模型。此外还有开集和闭集之分，主要是针对模型的识别范围来说，开集是指声纹识别模型可识别的对象不限制在训练数据集内，而闭集是指声纹识别模型只能识别训练集中出现的人。实际应用中主要用的是以开集对应的应用场景为主，则需要构建一个泛化能力强的声纹提取模型，但依据现有技术，需要大量的带有说话人标签的数据，且每个说话人的音频数据都要有足够时长的声音，以通过增大数据集的数据量，提高声纹识别模型的泛化能力，数据集越大泛化能力越好，但这意味着超高的成本且计算量大超大，所以现有声纹识别网络的泛化能力不能较好地满足使用需求。

发明内容

本申请的主要目的为提供说话人信息提取模型的训练方法，旨在解决现有声纹识别网络的泛化能力不能较好地满足使用需求的技术问题。

本申请提供了说话人信息提取模型的训练方法，包括：

将语音合成系统与语音识别系统，通过所述说话人信息提取模型关联为训练体系，其中，所述语音合成系统包括依次连接的文本处理网络和音频恢复网络，所述语音识别系统包括依次连接的音频处理网络和文本恢复网络，所述说话人信息提取模型分别与所述音频恢复网络关联，以及与所述音频处理网络关联；

获取所述音频处理网络处理训练集中的第一数据对的语音数据得到的音频处理结果，获取所述说话人信息提取模型提取的剩余数据信息，获取所述文本处理网络处理所述第一数据对的文本数据输出的第二高维向量，其中，所述训练集由语音数据和文本数据形成的数据对组成，所述第一数据对为训练集中的任意数据对，所述剩余数据信息为所述语音数据对应的文本内容信息之外的信息，所述剩余数据信息包括说话人的声纹信息；

从所述音频处理结果中去除所述剩余数据信息，得到第一高维向量；

通过损失函数在所述训练集上训练所述音频处理网络、所述文本处理网络和所述说话人信息提取模型，至所述损失函数达最小值时训练收敛，其中，所述损失函数为所述第一高维向量和第二高维向量的空间距离；

训练收敛后，固定所述音频处理网络对应的第一参量集合以及所述文本处理网络对应的第二参量集合；

将所述音频处理网络和所述音频恢复网络组合成处理音频的网络，将所述文本处理网络和所述文本恢复网络组合成处理文本的网络；

在固定所述第一参量集合的状态下，通过所述损失函数训练所述处理音频的网络和所述说话人信息提取模型至收敛，以获取所述音频恢复网络对应的第三参量集合和所述说话人信息提取模型对应的第四参量集合；

将所述第四参量集合下的说话人信息提取模型，作为预训练的说话人信息提取模型。