[发明专利]一种声纹特征提取方法、装置、设备及存储介质

权利要求书

1.一种声纹特征提取方法，其特征在于，包括：

获取声纹训练样本的样本静态特征，所述样本静态特征包括第一静态子特征、第二静态子特征和第三静态子特征；

基于差分算法根据所述样本静态特征获取样本动态特征；

根据所述样本静态特征和所述样本动态特征对初始差分神经网络进行动态特征提取训练，得到动态特征提取模型；

将预置目标静态特征输入所述动态特征提取模型中进行动态特征提取，得到目标动态特征，所述目标动态特征维度小于所述样本动态特征维度。

2.根据权利要求1所述的声纹特征提取方法，其特征在于，所述基于差分算法根据所述样本静态特征获取样本动态特征，包括：

基于差分算法对所述第一静态子特征和所述第二静态子特征作一阶差分运算，得到一阶差分特征；

基于差分算法对所述第一静态子特征、所述第二静态子特征和所述第三静态子特征作二阶差分运算，得到二阶差分特征；

将所述第一静态子特征、所述一阶差分特征和所述二阶差分特征进行拼接，得到样本动态特征。

3.根据权利要求1所述的声纹特征提取方法，其特征在于，所述根据所述样本静态特征和所述样本动态特征对初始差分神经网络进行动态特征提取训练，得到动态特征提取模型，包括：

将所述样本静态特征输入初始差分神经网络中进行动态特征提取，得到预测动态特征；

根据所述预测动态特征和所述样本动态特征进行均方误差计算，得到度量值；

基于所述度量值对所述初始差分神经网络进行迭代训练，直至所述度量值达到预置训练阈值，得到动态特征提取模型。

4.根据权利要求1所述的声纹特征提取方法，其特征在于，所述将预置目标静态特征输入所述动态特征提取模型中进行动态特征提取，得到目标动态特征，之后还包括：

获取所述目标静态特征和所述目标动态特征对应的声纹标签；

根据所述目标动态特征和所述声纹标签对初始声纹识别模型进行声纹识别训练，得到目标声纹识别模型。

5.一种声纹特征提取装置，其特征在于，包括：

第一获取模块，用于获取声纹训练样本的样本静态特征，所述样本静态特征包括第一静态子特征、第二静态子特征和第三静态子特征；

第二获取模块，用于基于差分算法根据所述样本静态特征获取样本动态特征；

模型训练模块，用于根据所述样本静态特征和所述样本动态特征对初始差分神经网络进行动态特征提取训练，得到动态特征提取模型；

特征提取模块，用于将预置目标静态特征输入所述动态特征提取模型中进行动态特征提取，得到目标动态特征，所述目标动态特征维度小于所述样本动态特征维度。

6.根据权利要求5所述的声纹特征提取装置，其特征在于，所述第二获取模块，具体包括：

一阶计算子模块，用于基于差分算法对所述第一静态子特征和所述第二静态子特征作一阶差分运算，得到一阶差分特征；

二阶计算子模块，用于基于差分算法对所述第一静态子特征、所述第二静态子特征和所述第三静态子特征作二阶差分运算，得到二阶差分特征；

特征拼接子模块，用于将所述第一静态子特征、所述一阶差分特征和所述二阶差分特征进行拼接，得到样本动态特征。

7.根据权利要求5所述的声纹特征提取装置，其特征在于，所述模型训练模块，具体包括：

动态预测子模块，用于将所述样本静态特征输入初始差分神经网络中进行动态特征提取，得到预测动态特征；

误差计算子模块，用于根据所述预测动态特征和所述样本动态特征进行均方误差计算，得到度量值；

迭代优化子模块，用于基于所述度量值对所述初始差分神经网络进行迭代训练，直至所述度量值达到预置训练阈值，得到动态特征提取模型。

8.根据权利要求5所述的声纹特征提取装置，其特征在于，还包括：

第三获取模块，用于获取所述目标静态特征和所述目标动态特征对应的声纹标签；

声纹模型训练模块，用于根据所述目标动态特征和所述声纹标签对初始声纹识别模型进行声纹识别训练，得到目标声纹识别模型。