[发明专利]基于bottleneck和通道切分的轻量级说话人识别方法及系统

说明书

本发明提供一种基于bottleneck和通道切分的轻量级说话人识别方法及系统，基于bottleneck和通道切分构建基于深度神经网络的说话人识别模型，所述说话人识别模型的网络框架包括轻量级说话人识别网络主体和说话人识别模型池化模块，语音特征首先作为轻量级说话人识别网络主体的输入，输出为不定长的特征，将其作为说话人识别模型池化模块处理后，生成定长的说话人嵌入；使用知识蒸馏进一步提高模型准确率，包括对基于说话人识别模型实现的教师模型进行预训练，定义知识蒸馏的损失函数，使用知识蒸馏训练轻量级的学生网络模型，根据训练结果实现说话人识别。与现有技术相比，本发明可以解决在小型的算力非常有限的嵌入式设备应用场景下的说话人识别任务。

技术领域

本发明属于声学技术领域，涉及一种轻量级说话人识别方案。

背景技术

说话人识别（speakerrecognition），又称声纹识别、语音生物识别，是指通过语音判断说话人的身份的技术，是一种非常便捷、有效的身份识别技术。从生物学上，由于不同的人的发声器官，包括声带、声管等存在大小形状等方面的差异，每个人的声音存在“独一无二”的特点，即使通过模仿，也很难改变说话者本身的发声方式，这种区分说话人身份的声音特性被称为“声纹（voiceprint）”，其概念由“指纹”一词延伸而来。相比指纹识别，说话人识别技术具有非接触式特点，更加地具有易用性，随着包括智能家居系统在内的技术的广泛应用，现在说话人识别技术已经在许多生活中的人机交互应用场景中得到了广泛的应用。

在智能家居场景下，说话人识别系统的工作环境通常是小型的嵌入式设备，这种工作场景下设备的算力非常有限，所以对模型的复杂度压缩有很高的要求，所以实现一种要求算力低、轻量级的说话人识别模型具有极强的实际意义。

本发明构建一种轻量级的基于深度学习的说话人识别模型，并利用知识蒸馏技术提升模型性能。

发明内容

本发明结合轻量级神经网络架构和知识蒸馏方法，可以在计算力有限的设备上进行说话人识别任务。

本发明所采用的技术方案提供一种基于bottleneck和通道切分的轻量级说话人识别方法，包括以下步骤，

步骤1，基于bottleneck和通道切分构建基于深度神经网络的说话人识别模型，所述说话人识别模型的网络框架包括轻量级说话人识别网络主体和说话人识别模型池化模块，语音特征首先作为轻量级说话人识别网络主体的输入，输出为不定长的特征，将其作为说话人识别模型池化模块处理后，生成定长的说话人嵌入；

步骤2，使用知识蒸馏进一步提高模型准确率，包括对基于步骤1所得说话人识别模型实现的教师模型进行预训练，定义知识蒸馏的损失函数，使用知识蒸馏训练轻量级的学生网络模型，根据训练结果实现说话人识别。

而且，步骤1的实现包括以下子步骤，

步骤1.1，构建轻量级说话人识别网络主体；

步骤1.2，构建说话人识别模型池化模块；

步骤1.3，声学特征提取；

步骤1.4，基于深度神经网络的说话人识别模型训练。

而且，所述轻量级说话人识别网络主体实现如下，

1）模型第一层使用时间通道分离一维卷积，所述时间通道分离一维卷积由一个深度一维卷积和一个点卷积组成，然后经由批归一化和激活函数处理，输入一维最大值池化处理；

2）模型第一层处理完成后，将进行多层残差块处理，每一个残差块包括主分支和残差连接分支，主分支包括有三个CS-CTCSConv1d子模块和一个时间通道分离一维卷积分支，残差连接分支包括一个一维点卷积和批归一化，两个分支输出结构相加后使用PReLU激活函数处理；