[发明专利]一种声纹识别的方法、装置以及存储介质

权利要求书

1.一种声纹识别的方法，其特征在于，使用了通过如下步骤训练的声纹识别模型来进行声纹识别：

S1，获取训练集，所述训练集包含多条音频数据；

S2，使用所述训练集对所述声纹识别模型进行训练，所述声纹识别模型基于神经网络实现，包含融合了至少两个压缩激励子模块的处理模块；

所述步骤S2包括：

S21，提取所述训练集中包含的音频数据的音频特征；

S22，对所述音频特征进行切片操作，得到多个相同长度的音频切片特征；

S23，每次随机获取固定数量的所述音频切片特征，输入到所述声纹识别模型进行训练，迭代多次训练，得到训练好的声纹识别模型。

2.根据权利要求1所述的方法，其特征在于，所述神经网络为残差网络，所述处理模块为融合了通道压缩-激励SE子模块和频率压缩-激励fwSE子模块的SEfwSE模块；所述SE子模块用于压缩所述音频切片特征的时间维度和频率维度，激励所述音频切片特征的通道维度；所述fwSE子模块用于压缩所述音频切片特征的时间维度和通道维度，激励所述音频切片特征的频率维度。

3.根据权利要求2所述的方法，其特征在于，所述通道压缩-激励SE子模块的压缩函数Fsq和激励函数Fex的公式分别为：

F_ex(z，W)＝σ(g(z,W))＝σ(W₂δ(W₁z))；

其中，x_c为所述音频切片特征，T为所述音频切片特征的帧数，F为所述音频切片特征的维度，i为正整数，j为正整数，z为二维张量，W表示线性变换矩阵，δ表示ReLU激活函数，σ表示sigmoid函数，g表示中间函数，W₁表示对通道数进行压缩以减小计算量的第一线性层，W₂表示将压缩后的通道数还原到压缩前大小的第二线性层。

4.根据权利要求2所述的方法，其特征在于，所述频率压缩-激励fwSE子模块的压缩函数Fsq和激励函数Fex的公式分别为：

F_ex(z，W)＝σ(g(z,W))＝σ(W₂δ(W₁z))；

其中，x_F为所述音频切片特征，T为所述音频切片特征的帧数，C为所述频率压缩-激励fwSE子模块的通道数，i为正整数，j为正整数，z为二维张量，W表示线性变换矩阵，δ表示ReLU激活函数，σ表示sigmoid函数，g表示中间函数，W1表示对频率维度进行压缩以减小计算量的第三线性层，W2表示将压缩后的频率维度还原到压缩前大小的第四线性层。

5.根据权利要求1所述的方法，其特征在于，所述训练集还包括说话人信息，所述训练集中同一个说话人包含的所述音频数据的条数不少于8条，每一条所述音频数据的时长不小于2秒。

6.根据权利要求1所述的方法，其特征在于，采用分帧方式提取所述音频特征，帧长为25毫秒，帧移为10毫秒，所述音频特征为80维的FBank特征。

7.根据权利要求1所述的方法，其特征在于，所述切片操作的切片长度为200帧，切片重叠部分长度为20帧，所述固定数量为16。

8.根据权利要求2所述的方法，其特征在于，所述残差网络的层数为34层，所述残差网络的卷积层采用二维卷积，所述残差网络还包含注意力机制层。

9.根据权利要求1所述的方法，其特征在于，在所述步骤S21之前还包括，对所述训练集的至少部分音频数据进行数据增强操作，将所述数据增强后的音频数据加入到所述训练集中，所述数据增强操作包括以下至少一种：加噪或者加混响。

10.根据权利要求9所述的方法，其特征在于，采用在线方式进行所述数据增强操作，采用在线方式提取所述音频特征。