[发明专利]一种基于语音识别目标对象的方法、系统、设备及介质

说明书

本发明提供一种基于语音识别目标对象的方法、系统、设备及介质，获取作为训练的一个或多个语音音频；将作为训练的一个或多个语音音频的波形转换为特征向量序列；利用特征向量序列训练分类算法，生成分类模型；通过分类模型识别待处理的一个或多个语音音频，确定待处理的一个或多个语音音频中的一个或多个目标对象的年龄和/或性别。本发明基于音频信息进行处理，在识别目标对象的年龄和/或性别时，避免了图像信息可能带来的各种遮挡问题。同时，本发明通过训练深度学习神经网络来生成分类模型，在基于音频信息上识别年龄和/或性别的鲁棒性更强；能够在噪声和复杂环境中高效率、高准确率地识别目标对象的年龄和/或性别。

技术领域

本发明涉及音频处理技术领域，特别是涉及一种基于语音识别目标对象的方法、系统、设备及介质。

背景技术

在人机交互中，往往会根据用户的年龄和/或性别来判断交互回答内容。一般可以通过视觉或者声音的信息来判断用户的年龄和/或性别。然后由于拍摄设备、拍摄环境、拍摄参数、拍摄技术等因素的影响，导致人脸图片的图片清晰度、画面背景、人脸光照、人脸尺寸等都各不相同。此外，由于说话人脸上常常有各种遮挡，包括口罩或者墨镜等等。更多的场景中，无法安装摄像头，因此无法通过视觉信息来判断用户的年龄和/或性别。而基于音频的和/或性别识别由于采集设备或者采集环境的影响，往往不能达到比较好的效果。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于语音识别目标对象的方法、系统、设备及介质，用于解决现有技术中存在的技术问题。

为实现上述目的及其他相关目的，本发明提供一种基于语音识别年龄和/或性别的方法，包括以下步骤：

获取作为训练的一个或多个语音音频；

对所述作为训练的一个或多个语音音频进行特征信号处理，将所述作为训练的一个或多个语音音频的波形转换为特征向量序列；

利用所述特征向量序列训练分类算法，生成分类模型；

通过所述分类模型识别待处理的一个或多个语音音频，确定所述待处理的一个或多个语音音频中的一个或多个目标对象的年龄和/或性别。

可选地，所述分类算法包括一个或多个深度学习神经网络；所述深度学习神经网络包括以下至少之一：时延神经网络、因子化时延神经网络、前向序列记忆网络。

可选地，所述前向序列记忆网络包括有多层深度前向序列记忆网络，每两层深度前向序列记忆网络之间设置有跳跃连接；其中，不同层中深度前向序列记忆网络的记忆模块的大小不同，且依据层级从小到大，对应的记忆模块也从小到大。

可选地，在深度前向序列记忆网络中的上下文关系和步幅发生变化后进行跳跃连接，将当前次跳跃连接的梯度分别传输至下一次跳跃连接和间隔两层后的深度前向序列记忆网络。

可选地，利用所述特征向量序列训练所述分类算法时，若所述分类算法中连续2个epoch的训练损失不再降低时，则将该次训练后生成的分类模型作为最终的分类模型。

可选地，通过特征提取方法将所述作为训练的一个或多个语音音频的波形转换为特征向量序列；所述特征提取方法包括以下至少之一：快速傅里叶变换、短时傅里叶变换、分帧、加窗、预加重、梅尔滤波器、离散余弦变换。

可选地，还包括改变所述梅尔滤波器中的滤波器个数，并通过改变个数后的梅尔滤波器将所述作为训练的一个或多个语音音频的波形转换为特征向量序列。

可选地，在将所述作为训练的一个或多个语音音频的波形转换为特征向量序列前，还包括利用降采样和/或升采样将所述作为训练的一个或多个语音音频的格式进行统一转换；转换后的音频格式至少包括：wav格式和/或pcm格式。

本发明还提供一种基于语音识别年龄和/或性别的系统，包括有：