[发明专利]说话对象表征提取模型训练方法和说话对象身份识别方法

说明书

本公开关于说话对象表征提取模型训练方法和说话对象身份识别方法，所述训练方法包括：获取多个说话对象的语音信号样本；获取多个说话对象的语音信号样本的音频特征；将多个说话对象的语音信号样本的音频特征输入说话对象表征提取模型，获得估计的多条语音表征；将估计的多条语音表征输入说话对象身份判别器，获得估计的每条语音表征对应的身份预测概率；根据估计的每条语音表征对应的身份预测概率以及估计的每条语音表征对应的说话对象真实身份标签，计算损失函数的值；通过根据损失函数的值调整说话对象表征提取模型和说话对象身份判别器的参数，从而对说话对象表征提取模型进行训练。

技术领域

本公开涉及语音识别技术领域，更具体地说，涉及说话对象表征提取模型训练方法及装置以及说话对象身份识别方法及装置。

背景技术

随着科学技术的发展，远程会议在日常办公中越来越普遍。当多个参会对象使用同一个终端设备加入到远程会议中，远端的其他参会对象往往很难辨认当前说话对象的身份。如果终端设备的视频采集装置可用，可以通过视频采集装置所采集的视频来区分不同的说话对象。但是，视频采集装置往往面临着遮挡的问题，从而增加了基于视频辨认说话对象身份的难度。另外，有些远程会议没有视频信息可用，我们只能使用语音信息来辨认当前说话对象。然而，相关技术中通过语音识别来辨认当前说话对象的身份的方案仍存在计算负载较高的问题。

发明内容

本公开提供说话对象表征提取模型训练方法及装置以及说话对象身份识别方法及装置，以至少解决上述相关技术中，通过语音识别来辨认当前说话对象的身份的方案存在计算负载较高的问题。

根据本公开实施例的第一方面，提供一种说话对象表征提取模型训练方法，包括：获取多个说话对象的语音信号样本；其中，所述多个说话对象的语音信号样本包括每个说话对象的原始语音信号样本，以及所述每个说话对象的原始语音信号样本对应的模拟不同采集来源的多个模拟语音信号样本，每条所述语音信号样本具有说话对象真实身份标签；获取所述多个说话对象的语音信号样本的音频特征；将所述多个说话对象的语音信号样本的音频特征输入所述说话对象表征提取模型，获得估计的多条语音表征；将所述估计的多条语音表征输入说话对象身份判别器，获得估计的每条语音表征对应的身份预测概率；根据所述估计的每条语音表征对应的身份预测概率以及所述估计的每条语音表征对应的说话对象真实身份标签，计算损失函数的值；通过根据所述损失函数的值调整所述说话对象表征提取模型和所述说话对象身份判别器的参数，从而对所述说话对象表征提取模型进行训练。

可选地，所述获取多个说话对象的语音信号样本，包括：获取所述多个说话对象的原始语音信号样本、以及将所述多个说话对象的原始语音信号样本输入至多个均衡器所获得的多个模拟语音信号样本；其中，所述多个均衡器用于模拟不同语音采集设备的信道。

可选地，所述获取多个说话对象的语音信号样本，包括：获取所述多个说话对象的原始语音信号样本、以及所述多个说话对象的原始语音信号样本经过不同的录音设备进行录音所获得的多个模拟语音信号样本。

可选地，所述根据所述估计的每条语音表征对应的身份预测概率以及所述估计的每条语音表征对应的说话对象真实身份标签，计算损失函数的值，包括：根据所述估计的每条语音表征对应的身份预测概率以及所述估计的每条语音表征对应的说话对象真实身份标签，计算交叉熵损失函数的值。

根据本公开实施例的第二方面，提供一种说话对象身份识别方法，包括：获取远程会议过程中被测说话对象的语音信号；获取所述被测说话对象的语音信号的音频特征；将所述音频特征输入根据本公开所述的训练方法训练出的说话对象表征提取模型，得到估计的被测说话对象的语音表征；根据所述估计的被测说话对象的语音表征与对应有说话对象身份标签的候选语音表征，确定所述被测说话对象的身份。

可选地，所述方法还包括：将候选对象预先注册的语音信号的音频特征输入到根据本公开所述的训练方法训练出的说话对象表征提取模型，获得所述候选语音表征，并基于所述候选对象的身份信息生成所述候选语音表征对应的说话对象身份标签。