语音信息处理方法、装置、终端及存储介质与流程
本发明实施例涉及计算机技术，尤其涉及一种语音信息处理方法、装置、终端及存储介质。
背景技术：
声纹识别作为生物识别技术的一种，其应用范围越来越广泛，被大量应用在终端设备中。其中，声纹指可通过电学仪器显示的携带语言信息的声波频谱，不同的用户讲话时对应的声波频谱存在差异性，故可通过声纹识别出唯一的用户。
现有技术中，声纹识别方式存在缺陷，需要改进。
技术实现要素：
本发明提供了一种语音信息处理方法、装置、终端及存储介质，提高了声纹识别的准确性，简化了声纹识别流程，提高了终端设备的运行效率，降低了终端设备的能源消耗。
第一方面，本发明实施例提供了一种语音信息处理方法，包括：
接收用户发出的语音信息，所述语音信息基于无序文本语言交互方式获得；
依据所述语音信息确定对应的频域特征图谱，对所述频域特征图谱进行信号处理得到和所述频域特征图谱对应的基于帧序列的第一声学特征；
基于ivector算法和带残差处理的深度卷积神经网络算法对所述第一声学特征进行特征提取得到第二声学特征，将所述第二声学特征转化为和所述用户对应的声纹模型，并将所述声纹模型储存在声纹模型数据库中。
第二方面，本发明实施例还提供了一种声纹识别装置，包括：
接收模块，用于接收用户发出的语音信息，所述语音信息基于无序文本语言交互方式获得；
第一声学特征确定模块，依据所述语音信息确定对应的频域特征图谱，对所述频域特征图谱进行信号处理得到和所述频域特征图谱对应的基于帧序列的第一声学特征；
第二声学特征确定模块，用于基于ivector算法和带残差处理的深度卷积神经网络算法对所述第一声学特征进行特征提取得到第二声学特征；
声纹模型确定模块，用于将所述第二声学特征转化为和所述用户对应的声纹模型，并将所述声纹模型储存在声纹模型数据库中。
第三方面，本发明实施例还提供了一种终端，所述终端包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现前述语音信息处理方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种语音信息处理方法，该方法包括：
接收用户发出的语音信息，所述语音信息基于无序文本语言交互方式获得；
依据所述语音信息确定对应的频域特征图谱，对所述频域特征图谱进行信号处理得到和所述频域特征图谱对应的基于帧序列的第一声学特征；
基于ivector算法和带残差处理的深度卷积神经网络算法对所述第一声学特征进行特征提取得到第二声学特征，将所述第二声学特征转化为和所述用户对应的声纹模型，并将所述声纹模型储存在声纹模型数据库中。
本发明实施例提供的技术方案，通过接收用户发出的语音信息，所述语音信息基于无序文本语言交互方式获得，依据所述语音信息确定对应的频域特征图谱，对所述频域特征图谱进行信号处理得到和所述频域特征图谱对应的基于帧序列的第一声学特征，基于ivector算法和带残差处理的深度卷积神经网络算法对所述第一声学特征进行特征提取得到第二声学特征，将所述第二声学特征转化为和所述用户对应的声纹模型，并将所述声纹模型储存在声纹模型数据库中，提高了声纹识别的准确性，简化了声纹识别流程，提高了终端设备的运行效率，降低了终端设备的能源消耗。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明实施例提供的一种语音信息处理方法的流程图；
图2是本发明实施例提供的另一种语音信息处理方法的流程图；
图3是本发明实施例提供的一种语音信息处理方法的交互方式的流程图；
图4本发明实施例提供的声纹识别装置的结构框图；
图5是本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例提供的一种语音信息处理方法的流程图，本实施例实现了对用户发出的声音进行高效、合理的处理，该方法可由终端设备如手机、平板电脑等智能终端来执行，如图1所示，本实施例提供的具体方案如下：
s101、接收用户发出的语音信息，所述语音信息基于无序文本语言交互方式获得。
无序文本为非固定文本，现有技术中采用基于有序、固定文本的方式进行声纹信息的注册。示例性的，当用户开始声纹注册时，需要反复读一固定的文本内容，而基于本方案中的后续步骤能够实现对无序文本即非固定文本的语音信息的注册、识别。本方案在人机交互过程中通过基于无序文本语言交互方式，增加了用户体验。示例性的，用户可根据语音提示，回答如下三句话完成声纹注册处理：
a)hi，你好，我还不认识你。请问你叫什么名字？
b)你平时有什么爱好吗？比如小度喜欢唱歌，你呢？
c)你希望小度能为你做哪些事呢？你可以说，帮我定闹钟，放音乐等等。
s102、依据所述语音信息确定对应的频域特征图谱，对所述频域特征图谱进行信号处理得到和所述频域特征图谱对应的基于帧序列的第一声学特征。
在一个实施例中，在依据所述语音信息确定对应的频域特征图谱之前，还包括：对所述语音信息进行噪声抑制和有效语音检测处理。示例性的，对输入的语音信息的数据序列(pcm码流)进行预处理，该预处理包括噪声抑制处理以及有效语音检测处理，以此去除非语音信号和静默语音信号，并对语音信号进行分帧。具体的，输入语音流采用单声道、8bit、16khz采样，以256个采样点为一个音框单位(帧)，以128为音框之间的重迭单位，对输入语音流进行分帧。除此之外，还可以包括对语音信息的预增强处理，具体如下：
以s1(n)(n:0...n-1)为时域信号，依据公式
s(n)＝s1(n)-a×s1(n-1)，其中(0.9<a<1.0)进行字节差分。
其中，对所述频域特征图谱进行信号处理得到和所述频域特征图谱对应的基于帧序列的第一声学特征包括：对所述频域特征图谱进行信号处理并通过加入时间窗的方式得到和所述频域特征图谱对应的基于帧序列的第一声学特征。示例性的，如使用加汉明窗(hammingwindowing)方式，假设语音信息分帧处理为(m帧共n个节点)s(n)，n＝0，1，...，n-1，则加汉明窗后为：
s'(n)＝s(n)×w(n)，
s103、基于ivector算法和带残差处理的深度卷积神经网络算法对所述第一声学特征进行特征提取得到第二声学特征，将所述第二声学特征转化为和所述用户对应的声纹模型，并将所述声纹模型储存在声纹模型数据库中。
其中，ivector可表征用户即说话人的声学差异特征，通过ivector算法进行ivector的特征提取。具体包括：
依据s101获取到的基于无序文本语言交互的训练数据为i条得到的对应的第一声学特征为输入，其中y＝{yi|i＝1,2,3,...,i}，其中yi是取自第i个训练语音片段的d维特征矢量，通过带残差处理的深度卷积神经网络算法建立混合模型，并给定一语音片段yi，利用随机超矢量描述并提取得到第二声学特征，通过对第二声学特征的各个参数如峰值参数、波形参数进行记录得到对应用户的声纹模型。
本实施例提供的技术方案中，通过接收用户发出的语音信息，所述语音信息基于无序文本语言交互方式获得，依据所述语音信息确定对应的频域特征图谱，对所述频域特征图谱进行信号处理得到和所述频域特征图谱对应的基于帧序列的第一声学特征，基于ivector算法和带残差处理的深度卷积神经网络算法对所述第一声学特征进行特征提取得到第二声学特征，将所述第二声学特征转化为和所述用户对应的声纹模型，并将所述声纹模型储存在声纹模型数据库中，提高了声纹识别的准确性，简化了声纹识别流程，提高了终端设备的运行效率，降低了终端设备的能源消耗。
图2是本发明实施例提供的另一种语音信息处理方法的流程图，在上述实施例的基础上，可选的，在将所述声纹模型储存在声纹模型数据库中之后，还包括：
接收待识别者发出的待识别语音信息，依据所述待识别语音信息得到对应的待识别声纹模型，依据概率信道补偿算法确定所述待识别声纹模型和所述声纹模型数据库中的声纹模型之间的分数，依据所述分数的大小将确定出的所述声纹数据库中的声纹模型对应的用户匹配为所述待识别者。
由此，实现了准确的声纹识别。基于上述优化，如图2所示，本实施例提供的技术方案具体如下：
s201、接收用户发出的语音信息，所述语音信息基于无序文本语言交互方式获得，对所述语音信息进行噪声抑制和有效语音检测处理。
s202、对所述频域特征图谱进行信号处理并通过加入时间窗的方式得到和所述频域特征图谱对应的基于帧序列的第一声学特征。
s203、基于ivector算法和带残差处理的深度卷积神经网络算法对所述第一声学特征进行特征提取得到第二声学特征，将所述第二声学特征转化为和所述用户对应的声纹模型，并将所述声纹模型储存在声纹模型数据库中。
s204、接收待识别者发出的待识别语音信息，依据所述待识别语音信息得到对应的待识别声纹模型，依据概率信道补偿算法确定所述待识别声纹模型和所述声纹模型数据库中的声纹模型之间的分数，依据所述分数的大小将确定出的所述声纹数据库中的声纹模型对应的用户匹配为所述待识别者。
在一个实施例中，可通过确定待识别声纹模型的ivector特征与声纹模型数据库中的声纹模型的ivector特征之间的差异度进行打分，分数越高则差异度越小，将分数最高的声纹模型和待识别声纹模型进行匹配，以进一步对待识别者的身份进行确定。具体的，plda(probabilisticlineardiscriminantanalysis，概率信道补偿算法)使用过程如下：
构造的plda模型参数为4，分别为数据均值miu，空间特征矩阵f和g，噪声协方差sigma，模型的训练过程可采用经典的em算法迭代求解；
识别测试阶段，计算待识别语音信息和声纹模型数据库中声纹模型信息的似然度，可使用对数似然比得到最终分数，如下：
图3是本发明实施例提供的一种语音信息处理方法的交互方式的流程图，如图3所示，
接收用户发起的语音交互语句(s301)，例如：“hi，小度小度”，此时判断该发起的语音交互的用户是否为新用户(s302)，如果检测到不是新用户(识别匹配到该用户为小明)则发起语音交互提示(303)，如“小明，请问有什么事情吗？”如果检测到该用户为新用户，则发起注册交互模式的第一语句提示(s304)，如“hi，你好，我还不认识你，请问你叫什么名字？”，判断是否接收到用户的语音回馈(s305)，如果在预设时间内如10s内，未检测到用户的语音回馈，则结束本次对话(s306)，如果检测到用户回馈语音，如“我是小明”，则记录回馈语音，发起注册交互模式的第二语句提示(s307)，如“你平时有什么爱好？”，判断是否接收到语音回馈(s308)，如果否(s306)则结束本次语音交互，如果是(s310)则记录回馈语音，发起注册交互模式的第三语句提示，如提问“你希望小度帮你做哪些事情呢？”，同样检测是否接收到语音回馈(s310)，如果否则结束本次对话(s306)，如果是(s311)则接收记录用户的回馈语音，如“记住我喜欢的歌曲，每天早上9点叫我起床”，结束本次对话(s306)。
本实施例中，通过简单的基于无文本的方式进行语音交互并基于前述实施例提供的具体的语音处理方法以实现声纹注册，提高了声纹识别的准确性，简化了声纹识别流程，提高了终端设备的运行效率，降低了终端设备的能源消耗。
图4是本发明实施例提供的语音处理装置的结构框图，所述装置用于执行上述实施例提供的语音信息处理方法，具备执行方法相应的功能模块和有益效果。如图5所示，所述装置包括接收模块401、第一声学特征确定模块402、第二声学特征确定模块403以及声纹模型确定模块404。
其中，接收模块401，用于接收用户发出的语音信息，所述语音信息基于无序文本语言交互方式获得；
第一声学特征确定模块402，依据所述语音信息确定对应的频域特征图谱，对所述频域特征图谱进行信号处理得到和所述频域特征图谱对应的基于帧序列的第一声学特征；
第二声学特征确定模块403，用于基于ivector算法和带残差处理的深度卷积神经网络算法对所述第一声学特征进行特征提取得到第二声学特征；
声纹模型确定模块404，用于将所述第二声学特征转化为和所述用户对应的声纹模型，并将所述声纹模型储存在声纹模型数据库中。
本发明实施例提供的技术方案，通过接收用户发出的语音信息，所述语音信息基于无序文本语言交互方式获得，依据所述语音信息确定对应的频域特征图谱，对所述频域特征图谱进行信号处理得到和所述频域特征图谱对应的基于帧序列的第一声学特征，基于ivector算法和带残差处理的深度卷积神经网络算法对所述第一声学特征进行特征提取得到第二声学特征，将所述第二声学特征转化为和所述用户对应的声纹模型，并将所述声纹模型储存在声纹模型数据库中，提高了声纹识别的准确性，简化了声纹识别流程，提高了终端设备的运行效率，降低了终端设备的能源消耗。
在上述技术方案的基础上，所述第一声学特征确定模块402具体用于：
对所述语音信息进行噪声抑制和有效语音检测处理。
在上述技术方案的基础上，所述第一声学特征确定模块402具体用于：
对所述频域特征图谱进行信号处理并通过加入时间窗的方式得到和所述频域特征图谱对应的基于帧序列的第一声学特征。
在上述技术方案的基础上，还包括：
识别模块405，用于在将所述声纹模型储存在声纹模型数据库中之后，接收待识别者发出的待识别语音信息，依据所述待识别语音信息得到对应的待识别声纹模型，依据概率信道补偿算法确定所述待识别声纹模型和所述声纹模型数据库中的声纹模型之间的分数，依据所述分数的大小将确定出的所述声纹数据库中的声纹模型对应的用户匹配为所述待识别者。
图5是本发明实施例提供的一种终端的结构示意图。图5示出了适于用来实现本发明实施方式的示例性终端12的框图。图5显示的终端12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，终端12以通用计算设备的形式表现。终端12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
终端12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。终端12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。其可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
终端12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该终端12交互的设备通信，和/或与使得该终端12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，终端12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与终端12的其它模块通信。应当明白，尽管图中未示出，可以结合终端12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的语音信息处理方法。
本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种语音信息处理方法，该方法包括：
接收用户发出的语音信息，所述语音信息基于无序文本语言交互方式获得；
依据所述语音信息确定对应的频域特征图谱，对所述频域特征图谱进行信号处理得到和所述频域特征图谱对应的基于帧序列的第一声学特征；
基于ivector算法和带残差处理的深度卷积神经网络算法对所述第一声学特征进行特征提取得到第二声学特征，将所述第二声学特征转化为和所述用户对应的声纹模型，并将所述声纹模型储存在声纹模型数据库中。
可选的，在依据所述语音信息确定对应的频域特征图谱之前，还包括：
对所述语音信息进行噪声抑制和有效语音检测处理。
可选的，对所述频域特征图谱进行信号处理得到和所述频域特征图谱对应的基于帧序列的第一声学特征包括：
对所述频域特征图谱进行信号处理并通过加入时间窗的方式得到和所述频域特征图谱对应的基于帧序列的第一声学特征。
可选的，在将所述声纹模型储存在声纹模型数据库中之后，还包括：
接收待识别者发出的待识别语音信息，依据所述待识别语音信息得到对应的待识别声纹模型，依据概率信道补偿算法确定所述待识别声纹模型和所述声纹模型数据库中的声纹模型之间的分数，依据所述分数的大小将确定出的所述声纹数据库中的声纹模型对应的用户匹配为所述待识别者。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件路径中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
- 还没有人留言评论。精彩留言会获得点赞！