[发明专利]音频识别的方法及音频识别模型的训练方法

说明书

本申请公开了音频识别的方法及音频识别模型的训练方法，涉及人工智能、深度学习、语音识别领域。具体实现方案为：获取目标音频的帧级别的特征向量；根据目标音频的帧级别的特征向量，获取目标音频的句级别的特征向量；根据目标音频的句级别的特征向量，确定目标音频中的发声人的性别。本申请通过目标音频的帧级别的特征向量和句级别的特征向量，能够更加准确的识别出目标音频中的发声人的性别。

技术领域

本申请涉及计算机技术领域，尤其涉及工智能、深度学习、语音识别领域。

背景技术

在有关声纹技术的应用中，通常不同的业务领域会基于自身业务需求相关的数据构建音频识别模型。而不同业务领域之间由于数据存在一定的差异性，因此各业务领域的音频识别模型无法做到跨领域的兼容使用，从而导致音频识别模型的鲁棒性较差。

发明内容

本申请提供了一种音频识别的方法及音频识别模型的训练方法。

根据本申请的一方面，提供了一种音频识别的方法，包括：

获取目标音频的帧级别的特征向量；

根据目标音频的帧级别的特征向量，获取目标音频的句级别的特征向量；

根据目标音频的句级别的特征向量，确定目标音频中的发声人的性别。

根据本申请的另一方面，提供了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，利用初始模型获取第一音频样本和第二音频样本的帧级别的特征向量；其中，第一音频样本属于第一业务领域，第二音频样本属于第二业务领域，且第二音频样本包括已标注的性别标签；

根据第一音频样本和第二音频样本的帧级别的特征向量，利用初始模型获取第一音频样本和第二音频样本的句级别的特征向量；

根据第一音频样本的句级别的特征向量和第二音频样本的句级别的特征向量，对初始模型进行迭代更新，以得到音频识别模型，音频识别模型用于识别第一业务领域的音频中的发声人的性别。

根据本申请的另一方面，提供了一种音频识别的装置，包括：

第一获取模块，用于获取目标音频的帧级别的特征向量；

第二获取模块，用于根据目标音频的帧级别的特征向量，获取目标音频的句级别的特征向量；

确定模块，用于根据目标音频的句级别的特征向量，确定目标音频中的发声人的性别。

根据本申请的另一方面，提供了一种音频识别模型的训练装置，包括：

第一获取模块，用于将预处理的第一音频样本和第二音频样本输入初始模型，利用初始模型获取第一音频样本和第二音频样本的帧级别的特征向量；其中，第一音频样本属于第一业务领域，第二音频样本属于第二业务领域，且第二音频样本包括已标注的性别标签；

第二获取模块，用于根据第一音频样本和第二音频样本的帧级别的特征向量，利用初始模型获取第一音频样本和第二音频样本的句级别的特征向量；

优化模块，用于根据第一音频样本的句级别的特征向量和第二音频样本的句级别的特征向量，对初始模型进行迭代更新，以得到音频识别模型，音频识别模型用于识别第一业务领域的音频中的发声人的性别。

根据本申请的另一方面，提供了一种电子设备，电子设备的功能可以通过硬件实现，也可以通过硬件执行响应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，电子设备的结构中包括处理器和存储器，存储器用于存储支持电子设备执行上述音频识别的方法和/或音频识别模型的训练方法的程序，处理器被配置为用于执行存储器中存储的程序。电子设备还可以包括通信接口，用于与其他设备或通信网络通信。