[发明专利]声纹特征提取方法、装置、电子设备及存储介质

权利要求书

1.一种声纹特征提取方法，包括：

获取关于说话人的初始声纹特征数据；

基于所述初始声纹特征数据生成所述说话人的初始特征向量；

生成对应于所述初始特征向量的协方差矩阵；

基于所述初始特征向量和所述协方差矩阵，生成所述说话人的更新的特征向量，其中，所述更新的特征向量为所述初始特征向量根据高斯分布的后验均值向量；以及

基于所述更新的特征向量提取所述说话人的声纹特征。

2.根据权利要求1所述的方法，其中，所述初始声纹特征数据是从关于所述说话人的音频数据提取的，并且所述初始声纹特征数据包括具有时间上的上下文关系的多个子特征数据，其中，所述多个子特征数据对应于所述音频数据的多个帧。

3.根据权利要求2所述的方法，其中，所述基于所述初始声纹特征数据生成所述说话人的初始特征向量包括：

将所述初始声纹特征数据输入至第一神经网络以获取所述初始特征向量，其中，所述初始特征向量包括具有所述时间上的上下文关系的、对应于所述多个子特征数据的多个第一元素。

4.根据权利要求3所述的方法，其中，所述生成对应于所述初始特征向量的协方差矩阵包括：

将所述初始特征向量输入至第二神经网络以获取对应于所述初始特征向量的所述协方差矩阵，其中，所述协方差矩阵具有与所述初始特征向量的多个第一元素相对应的多个第二元素，且每个第二元素表征对应的第一元素在不同特征维度之间的相关性。

5.根据权利要求1至4中任一项所述的方法，其中，所述生成所述说话人的更新的特征向量包括：

对所述协方差矩阵应用归一化指数函数以获得关于所述协方差矩阵的归一化指数值；以及

将所述归一化指数值与所述初始特征向量相乘以获得所述更新的特征向量。

6.根据权利要求1至5中任一项所述的方法，其中，所述基于所述更新的特征向量提取所述说话人的声纹特征包括：通过嵌入操作对所述更新的特征向量进行映射以生成所述说话人的所述声纹特征。

7.一种用于训练声纹特征提取模型的方法，包括：

提供关于预定说话人的样本初始声纹特征数据；

基于所述样本初始声纹特征数据生成所述预定说话人的样本初始特征向量；

生成对应于所述样本初始特征向量的样本协方差矩阵；

基于所述样本初始特征向量和所述样本协方差矩阵，生成所述预定说话人的更新的样本特征向量，其中，所述更新的样本特征向量为所述样本初始特征向量根据高斯分布的后验均值向量；

基于所述更新的样本特征向量提取所述预定说话人的声纹特征；以及

基于所述声纹特征获取用于更新声纹特征提取模型的网络参数，以训练所述声纹特征提取模型。

8.一种声纹特征提取装置，包括：

获取单元，被配置为获取关于说话人的初始声纹特征数据；

第一生成单元，被配置为基于所述初始声纹特征数据生成所述说话人的初始特征向量；

第二生成单元，被配置为生成对应于所述初始特征向量的协方差矩阵；

第三生成单元，被配置为基于所述初始特征向量和所述协方差矩阵，生成所述说话人的更新的特征向量，其中，所述更新的特征向量为所述初始特征向量根据高斯分布的后验均值向量；以及

提取单元，被配置为基于所述更新的特征向量提取所述说话人的声纹特征。

9.根据权利要求8所述的装置，其中，所述初始声纹特征数据是从关于所述说话人的音频数据提取的，并且所述初始声纹特征数据包括具有时间上的上下文关系的多个子特征数据，其中，所述多个子特征数据对应于所述音频数据的多个帧。

10.根据权利要求9所述的装置，其中，所述第一生成单元包括：

第一子单元，被配置为将所述初始声纹特征数据输入至第一神经网络以获取所述初始特征向量，其中，所述初始特征向量包括具有所述时间上的上下文关系的、对应于所述多个子特征数据的多个第一元素。