[发明专利]一种基于残差神经网络的远场语音说话人识别方法及装置

说明书

本发明提供了一种基于残差神经网络的远场语音说话人识别方法及装置，用于在嘈杂混响且有多个说话人的环境下，对短时的待测音频进行远场语音说话人识别从而确定该待测音频对应的说话人，其特征在于，包括如下步骤：对待测音频进行预处理得到预处理短时语音；利用语音活动检测模型对预处理短时语音进行语音分割得到分割结果，并从滤除了噪声以及静音的分割结果中提取得到语音向量特征；基于语音向量特征利用预先训练好的残差神经网络模型进行说话人特征提取得到说话人嵌入向量；基于预定的声音特征库对说话人嵌入向量进行相似度计算得到语音相似度值，根据该语音相似度值确定待测音频对应的说话人。

技术领域

本发明属于数据识别领域，具体涉及一种基于残差神经网络的远场语音说话人识别方法及装置。

背景技术

近年来，由于机器学习技术及互联网的快速发展，计算机视觉、语音处理和自然语言处理等应用领域都有了突破性进展。另外，由于人们对保护与限制信息资源访问的可靠方法的需求越来越大，因此亟需新的身份验证方法来满足上述需求。而生物识别成为了该领域的重点研究领域之一，无论是法律政策还是商业模型，生物识别都因其可靠性成为比较热门的项目。其中，说话人识别作为计算机语音处理和生物识别项目中的一项基础任务，识别精度也在不断地被提升。

说话人识别包括说话人辨认和说话人确认，前者用以判断某段语音是若干人中的哪一个所说的，而后者用以确认某段语音是否是指定的某个人所说的。当前的说话人识别技术有：模板匹配法、概率模型法以及神经网络法。

其中，模板匹配法的训练过程为从每个说话人的训练语句中提取出特征矢量，形成特征矢量序列，选择方法优化，求取一个特征矢量集合表征特征矢量序列，将此集合作为参考模板。在识别时，利用同样的方法提取特征矢量序列，按匹配规则跟所有参考模板比较。然而，实际应用中短语音和跨信道问题普遍存在，该类技术对语音的长度，文本及信道等方面都有一定的应用局限性。

概率模型法是先从某人的一次或多次发音中提出有效特征矢量，然后根据统计特性为其建立相应的数学模型，使其能够有效的刻画出此说话人特征矢量在特征空间的分布规律。在识别时，将测试语音的特征矢量与表征说话人的数学模型进行匹配，从概率统计角度，计算得到测试语音与模型间的相似度。最常用的概率模型法为高斯混合模型识别，但其对语音数据量要求很大，对信道环境噪声非常敏感。

神经网络法是一种类比于生物神经系统处理信息的方法，利用大量的简单处理单元并行连接而构成一种独具特点的、复杂的信息处理网络。该网络具有自组织、自学习的能力，可以随着经验的累积而改善自身的性能。人工神经网络的特性对说话人识别系统的实现有很大的帮助，可以用于更好的提取语音样本中所包含的说话人的个性特征。

近年来，由于智能家居系统与智能设备中虚拟助手的不断发展和日益普及，因此对语音识别提出了更高的要求，对生物识别系统在远场条件下的可靠性也提出了更高的要求。而当前语音识别与生物识别在远场条件下面临的挑战有：在嘈杂、混响环境中，对远场说话人识别精度不佳；对短句说话人识别精度不佳。上述三个方法都无法在不可控、嘈杂、混响的环境中对短句说话人取得较好的识别精度从而无法应用在实际场景中。

发明内容

为解决上述问题，提供了一种能够在嘈杂、混响环境中对短时说话人有效识别的说话人识别方法及装置，本发明采用了如下技术方案：