[发明专利]音频识别的方法及音频识别模型的训练方法

权利要求书

1.一种音频识别模型的训练方法，包括：

将预处理的第一音频样本和第二音频样本输入初始模型，利用所述初始模型获取所述第一音频样本和所述第二音频样本的帧级别的特征向量；其中，所述第一音频样本属于第一业务领域，所述第二音频样本属于第二业务领域，且所述第二音频样本包括已标注的性别标签，所述初始模型包括第一网络和第二网络，所述第一网络被配置为包括Wasserstein距离表示层，所述第二网络被配置为包括逻辑回归层；

根据所述第一音频样本和所述第二音频样本的帧级别的特征向量，利用所述初始模型获取所述第一音频样本和所述第二音频样本的句级别的特征向量，其中，所述句级别的特征向量为以音频样本中的句子为单位所提取的特征向量，所述句子由多个音频帧构成；

根据所述第一音频样本的句级别的特征向量和所述第二音频样本的句级别的特征向量，对所述初始模型进行迭代更新，以得到音频识别模型，所述音频识别模型用于识别所述第一业务领域的音频中的发声人的性别；

所述根据所述第一音频样本的句级别的特征向量和所述第二音频样本的句级别的特征向量，对所述初始模型进行迭代更新，以得到音频识别模型，包括：利用所述Wasserstein距离表示层，计算所述第一音频样本的句级别的特征向量和所述第二音频样本的句级别的特征向量的差异分布的Wasserstein距离；根据所述第二音频样本的句级别的特征向量，利用所述逻辑回归层，得到所述第二音频样本中的发声人的性别识别结果；利用基于所述第二音频样本中的发声人的性别识别结果确定的损失函数值以及所述Wasserstein距离，对所述第一网络和所述第二网络进行迭代更新优化，以得到音频识别模型。

2.根据权利要求1所述的方法，其中，所述初始模型包括第一网络和第二网络，所述第一网络被配置为包括第一双向门控循环单元、第一注意力层和第一统计池化层，所述第二网络被配置为包括所述第一双向门控循环单元、第二注意力层和第二统计池化层；所述将预处理的第一音频样本和第二音频样本输入初始模型，利用所述初始模型获取所述第一音频样本和所述第二音频样本的帧级别的特征向量，包括：

将预处理的第一音频样本输入所述第一双向门控循环单元，获取所述第一音频样本的多个第一音频帧的特征向量；并将预处理的第二音频样本输入所述第一双向门控循环单元，获取所述第二音频样本的多个第二音频帧的特征向量；

根据所述多个第一音频帧的特征向量，利用所述第一注意力层，从所述多个第一音频帧中确定第一目标音频帧；并根据所述多个第二音频帧的特征向量，利用所述第二注意力层，从所述多个第二音频帧中确定第二目标音频帧；

根据所述第一目标音频帧的特征向量，利用所述第一统计池化层，得到所述第一音频样本的帧级别的特征向量；并根据所述第二目标音频帧的特征向量，利用所述第二统计池化层，得到所述第二音频样本的帧级别的特征向量。

3.根据权利要求1所述的方法，其中，所述初始模型包括第一网络和第二网络，所述第一网络被配置为包括第二双向门控循环单元和第三注意力层，所述第二网络被配置为包括所述第二双向门控循环单元和第四注意力层；所述根据所述第一音频样本和所述第二音频样本的帧级别的特征向量，利用所述初始模型获取所述第一音频样本和所述第二音频样本的句级别的特征向量，包括：

将所述第一音频样本的帧级别的特征向量输入所述第二双向门控循环单元，获取所述第一音频样本的多个第一子句的特征向量；并将所述第二音频样本的帧级别的特征向量输入所述第二双向门控循环单元，获取所述第二音频样本的多个第二子句的特征向量；

根据所述多个第一子句的特征向量，利用所述第三注意力层，获取所述第一音频样本的句级别的特征向量；并根据所述多个第二子句的特征向量，利用所述第四注意力层，获取所述第二音频样本的句级别的特征向量。