[发明专利]基于语音转换的声纹识别模型训练方法、装置及可读介质

权利要求书

1.一种基于语音转换的声纹识别模型训练方法，其特征在于，所述方法包括以下步骤：

训练语音转换模型；

获取第一目标域数据和训练域数据；

通过训练好的语音转换模型将第一目标域数据的语音内容转换到训练域数据中对应的说话人上，生成第二目标域数据；

使用第二目标域数据训练声纹识别模型，获得训练好的声纹识别模型。

2.根据权利要求1所述的基于语音转换的声纹识别模型训练方法，其特征在于，所述训练语音转换模型包括：

获取源语音和目标语音：

通过内容编码器将源语音内容编码成表示内容的高维向量；

通过说话人编码器将目标语音说话人编码成说话人高维向量；

通过解码器根据表示内容的高维向量和说话人的高维向量生成重构语音；

计算重构误差，并根据重构误差调整语音转换模型参数，直至重构误差收敛，完成语音转换模型的训练。

3.根据权利要求2所述的基于语音转换的声纹识别模型训练方法，其特征在于，所述内容编码器包括卷积模块ConvNorm和双向LSTM模块；所述说话人编码器包括LSTM模块和全连接模块Full Connect；所述解码器包括卷积模块ConvNorm和LSTM模块。

4.根据权利要求1所述的基于语音转换的声纹识别模型训练方法，其特征在于，所述训练声纹识别模型包括：采用深度学习技术训练声纹识别模型；

所述声纹识别模型包括输入层、帧级别编码器、池化层、句子级别编码器、说话人向量提取层和分类层；

所述输入层用于提取第二目标域数据的特征向量，所述帧级别编码器用于编码输入帧之间的信息；所述句子级别编码器用于编码整句句子信息；所述说话人向量提取层用于表征说话人的高维向量。

5.根据权利要求4所述的基于语音转换的声纹识别模型训练方法，其特征在于，

所述输入层提取所述训练集数据的MFCC特征；所述帧级别编码器包括5层的TDNN层；所述池化层为均值和方差的统计池化层；所述句子级别编码器为全连接层。

6.一种基于语音转换的声纹识别模型训练装置，其特征在于，包括：

目标域数据获取模块，用于获取第一目标域数据；

训练域数据获取模块，用于获取训练域数据；

语音转换模块，用于将第一目标域数据转换为第二目标域数据；

声纹识别模型训练模块，用于根据所述第二目标域数据训练声纹识别模型，以获得训练好的声纹识别模型。

7.根据权利要求6所述的基于语音转换的声纹识别模型训练装置，其特征在于，所述语音转换模块包括：

内容编码器，用于将语音内容编码成表示内容的高维向量；

说话人编码器，用于将语音说话人编码成说话人高维向量；

解码器，用于根据表示内容的高维向量和说话人的高维向量生成重构语音。

8.根据权利要求6所述的基于语音转换的声纹识别模型训练装置，其特征在于，所述声纹识别模型包括输入层、帧级别编码器、池化层、句子级别编码器、说话人向量提取层和分类层；

所述输入层用于提取第二目标域数据的MFCC特征，所述帧级别编码器包括5层的TDNN层，用于编码输入帧之间的信息；所述池化层为均值和方差的统计池化层；所述句子级别编码器为全连接层，用于编码整句句子信息；所述说话人向量提取层用于表征说话人的高维向量。

9.一种电子设备，其特征在于，包括：所述存储器被配置用于存储计算机程序，所述计算机程序在由所述处理器执行时，使得所述处理器执行如权利要求1-5任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。